HASSLE：基于自监督学习增强的垂直联邦学习劫持攻击
密码学与安全
2025-07-15 v1
摘要
垂直联邦学习 (VFL) 使协调方能够通过与提供额外任务相关特征的被动方合作，执行机器学习任务。尽管先前的研究已利用 VFL 的隐私漏洞通过结合标签推断和后门攻击来破坏其完整性，但其有效性受限于标签推断精度低和后门注入条件不理的限制。为对 VFL 进行更严格的安全评估而无需这些限制，本文提出 HASSLE，一种由基于梯度方向的标签推断模块和以自监督学习增强的对抗性嵌入生成算法组成的劫持攻击框架。HASSLE 仅通过已知该标签的一个实例，即可准确识别与该目标标签相关的私有样本。在两方场景中，其在包括图像和表格两种模态的四个数据集上表现出强大的性能，攻击成功率 (ASR) 超过 99%；在更复杂的 CIFAR-100 数据集上达到 85%。对 HASSLE 针对 8 种潜在防御措施的评估进一步凸显了其显著威胁，并为构建可信赖的 VFL 系统提供了新见解。
引用
@article{arxiv.2507.10162,
title = {HASSLE: A Self-Supervised Learning Enhanced Hijacking Attack on Vertical Federated Learning},
author = {Weiyang He and Chip-Hong Chang},
journal= {arXiv preprint arXiv:2507.10162},
year = {2025}
}