通用多跳无线网络中针对去中心化联邦学习的干扰攻击
网络与互联网体系结构
2023-01-16 v1 人工智能
摘要
去中心化联邦学习（DFL）是一种在多跳网络上的多个节点训练深度学习模型的有效方法，无需一个与所有节点直接连接的服务器。通常，只要节点可能通过多跳连接，DFL过程最终将使每个节点通过直接连接或多跳路径体验到来自所有其他节点的模型效应，从而能够在每个节点上训练出高保真度的模型。我们考虑一种使用干扰器阻止节点间模型交换的有效攻击。存在两种攻击场景。首先，攻击者可以在一定预算下攻击任何链路。一旦被攻击，链路的两端节点就无法交换其模型。其次，网络中部署了一些干扰范围有限的干扰器，一个干扰器只能干扰其干扰范围内的节点。一旦定向链路被攻击，接收节点就无法接收到来自发送节点的模型。我们为这两种场景设计了选择攻击链路的算法。对于第二种场景，我们还设计了将干扰器部署在最佳位置的算法，以便它们能够攻击关键节点并对DFL过程产生最大影响。我们通过使用大网络区域上的无线信号分类作为用例来评估这些算法，并识别这些攻击机制如何利用学习、连接和感知的各个方面。我们表明，在无线网络中发起的干扰攻击可以显著降低DFL的性能，并刻画了攻击面，作为在无线网络上安全部署DFL之前的一项脆弱性研究。
引用
@article{arxiv.2301.05250,
title = {Jamming Attacks on Decentralized Federated Learning in General Multi-Hop Wireless Networks},
author = {Yi Shi and Yalin E. Sagduyu and Tugba Erpek},
journal= {arXiv preprint arXiv:2301.05250},
year = {2023}
}