从模型到网络拓扑:去中心化联邦学习中的拓扑推断攻击
机器学习
2025-08-26 v3 人工智能
摘要
联邦学习(FL)被广泛认为是一种保护隐私的机器学习范式,因为其模型共享机制避免了直接的数据交换。然而,模型训练会留下可被利用的痕迹,从而推断敏感信息。在去中心化联邦学习(DFL)中,定义参与者连接方式的拓扑在塑造模型的隐私性、鲁棒性和收敛性方面起着至关重要的作用。然而,拓扑引入了一个尚未被探索的漏洞:攻击者可以利用它来推断参与者之间的关系并发起定向攻击。本工作通过提出一种仅从模型行为推断拓扑的新型拓扑推断攻击,揭示了 DFL 拓扑的潜在风险。我们引入了一种拓扑推断攻击的分类法,根据攻击者的能力和知识对其进行分类。针对不同场景设计了实用的攻击策略,并通过实验识别影响攻击成功的关键因素。结果表明,仅通过分析每个节点的模型即可准确推断 DFL 拓扑,凸显了 DFL 系统中一个关键的隐私风险。这些发现为改进 DFL 环境中的隐私保护提供了启示。
引用
@article{arxiv.2501.03119,
title = {From Models to Network Topologies: A Topology Inference Attack in Decentralized Federated Learning},
author = {Chao Feng and Yuanzhe Gao and Alberto Huertas Celdran and Gerome Bovet and Burkhard Stiller},
journal= {arXiv preprint arXiv:2501.03119},
year = {2025}
}