集成基于身份的识别以应对适应性对手在联邦学习中的身份识别

联邦学习（Federated Learning）最近作为一种面向隐私保护的分布式机器学习范式而逐渐兴起。然而，联邦学习系统面临着显著的安全威胁，尤其是那些能够修改其攻击策略以规避检测的适应性对手。一种此类威胁是重新连接的恶意客户端（Reconnecting Malicious Clients, RMCs），它们利用联邦学习开放的连接能力，以修改后的攻击策略重新连接到系统。为应对这一漏洞，我们提出在联邦学习环境中集成身份识别（Identity-Based Identification, IBI）作为一种安全措施。通过利用 IBI，我们使联邦学习系统能够基于密码学身份方案对客户端进行身份验证，从而有效防止先前断开连接的恶意客户端重新进入系统。我们的方法采用基于椭圆曲线的 TNC-IBI（Tan-Ng-Chin）方案实现，以确保在诸如物联网（Internet of Things, IoT）等资源受限环境中的计算效率。实验结果表明，集成 IBI 与诸如 Krum 和修剪均值（Trimmed Mean）等安全聚合算法，显著提高了联邦学习的鲁棒性，通过减轻 RMCs 的影响。我们进一步讨论了 IBI 在联邦学习安全性中的更广泛意义，突出了针对适应性对手检测、基于声誉的机制以及身份基于密码学框架在去中心化联邦学习架构中的适用性等研究方向。我们的发现主张采取一种综合性的联邦学习安全方法，强调在面对不断演变的适应性对手威胁时，必须采取积极的防御策略。