垂直联邦学习中基于特征的无触发器后门攻击
机器学习
2026-02-25 v1 密码学与安全
摘要
作为分布式协作式机器学习范式，垂直联邦学习(VFL)允许多个被动方持有不同特征并有一个持有标签的主动方协同训练模型。虽然已知其具备隐私保留能力，但VFL 仍面临来自后门攻击的显著隐私与安全威胁。现有后门攻击通常涉及攻击者在训练阶段植入触发器，并通过在推理阶段添加触发器来执行攻击。然而，本文发现触发器在 VFL 中的后门攻击并非必需。基于此，我们披露了 VFL 中一种新的后门攻击路径，通过引入基于特征的无触发器后门攻击。该攻击在更严格的安全假设下运行，即攻击者在训练阶段为诚实但好奇的行为。它包含三个模块：用于目标后门攻击的标签推断、用于 poison 生成的放大与扰动机制，以及用于实施攻击的后门执行。在五个基准数据集上的大量实验表明，我们的攻击在三个基线后门攻击中性能提升了 2 至 50 倍，同时对主任务几乎没有影响。即使在 32 个被动方且仅有一个辅助数据集的 VFL 场景中，我们的攻击也保持高性能。此外，当面对不同防御策略时，我们的攻击几乎不受影响，表现出强大的鲁棒性。我们希望披露这种无触发器后门攻击路径能促进社区重审 VFL 情景下的安全威胁，并激励研究人员开发更稳健和实用的防御策略。
引用
@article{arxiv.2602.20593,
title = {Is the Trigger Essential? A Feature-Based Triggerless Backdoor Attack in Vertical Federated Learning},
author = {Yige Liu and Yiwei Lou and Che Wang and Yongzhi Cao and Hanpin Wang},
journal= {arXiv preprint arXiv:2602.20593},
year = {2026}
}