IPBA：联邦自监督学习中的不可察觉扰动后门攻击
密码学与安全
2025-08-12 v1 计算机视觉与模式识别
摘要
联邦自监督学习结合了分散建模和无标签表示学习的优势，作为一种具有强大可扩展性和隐私保护潜力的前沿范式。尽管FSSL受到越来越多的关注，但研究表明它仍然容易受到后门攻击。现有方法通常依赖于视觉上明显的触发器，这使得它们难以满足实际部署中隐蔽性和实用性的要求。在本文中，我们提出了一种针对FSSL的不可察觉且有效的后门攻击方法，称为IPBA。我们的实证研究表明，现有的不可察觉触发器在FSSL中面临一系列挑战，特别是有限的可迁移性、与增强样本的特征纠缠以及分布外特性。这些问题共同削弱了传统后门攻击在FSSL中的有效性和隐蔽性。为了克服这些挑战，IPBA解耦了后门样本和增强样本的特征分布，并引入了切片Wasserstein距离来缓解后门样本的分布外特性，从而优化触发器生成过程。我们在多个FSSL场景和数据集上的实验结果表明，IPBA在性能上显著优于现有的后门攻击方法，并在各种防御机制下表现出强大的鲁棒性。
引用
@article{arxiv.2508.08031,
title = {IPBA: Imperceptible Perturbation Backdoor Attack in Federated Self-Supervised Learning},
author = {Jiayao Wang and Yang Song and Zhendong Zhao and Jiale Zhang and Qilin Wu and Junwu Zhu and Dongfang Zhao},
journal= {arXiv preprint arXiv:2508.08031},
year = {2025}
}