FLTG：基于角度防御和非 IID 感知加权的抗 Byzantine 联邦学习
密码学与安全
2025-05-20 v1 人工智能
摘要
在 Federated Learning (FL) 中的模型聚合期间，Byzantine 攻击通过操纵恶意客户端的更新来威胁训练的完整性。现有方法在高恶意客户端比率下鲁棒性有限，且对非 IID 数据敏感，导致准确率下降。为此，我们提出 FLTG，一种集成 angle-based defense 和 dynamic reference selection 的 novel 聚合算法。FLTG 首先通过 ReLU 截断余弦相似度对客户端进行筛选，利用服务器端干净数据集排除不一致的更新。随后，基于 prior global model 动态选择参考客户端以缓解非 IID 偏差，按角度偏差的倒数分配聚合权重，并归一化更新幅度以抑制恶意放大。我们的评估在五种经典攻击下的不同复杂数据集上表明，FLTG 在极端偏见情景下优于 state-of-the-art 方法，并在恶意客户端比例超过 50% 时仍保持鲁棒性。
关键词
引用
@article{arxiv.2505.12851,
title = {FLTG: Byzantine-Robust Federated Learning via Angle-Based Defense and Non-IID-Aware Weighting},
author = {Yanhua Wen and Lu Ai and Gang Liu and Chuang Li and Jianhao Wei},
journal= {arXiv preprint arXiv:2505.12851},
year = {2025}
}
备注
14 pages, 5 figures, BlockSys2025