FTA：针对联邦学习的具有灵活触发器的隐秘自适应后门攻击
机器学习
2023-10-02 v2 密码学与安全
摘要
当前针对联邦学习（FL）的后门攻击强烈依赖通用触发器或语义模式，这易被某些防御机制（如范数裁剪、比较本地更新间的参数差异）检测并过滤。在本文中，我们提出一种针对FL防御的具有灵活触发器的隐秘且鲁棒的后门攻击。为此，我们构建了一个生成式触发器函数，可学习以难以察觉的灵活触发模式操纵良性样本，同时使触发模式包含攻击方所选标签的最显著隐藏特征。此外，我们的触发器生成器能持续学习并跨不同轮次自适应，使其能适应全局模型的变化。通过填补可区分差异（触发模式与目标标签间的映射），我们使攻击天然具备隐秘性。在真实数据集上的大量实验验证了相较于先前在带八种被广泛研究的防御的去中心化学习框架上的攻击，我们的攻击的有效性与隐秘性。
引用
@article{arxiv.2309.00127,
title = {FTA: Stealthy and Adaptive Backdoor Attack with Flexible Triggers on Federated Learning},
author = {Yanqi Qiao and Dazhuang Liu and Congwen Chen and Rui Wang and Kaitai Liang},
journal= {arXiv preprint arXiv:2309.00127},
year = {2023}
}