无线网络中对联邦学习的干扰攻击
机器学习
2022-01-17 v1 网络与互联网体系结构
摘要
联邦学习（FL）提供了一个去中心化的学习环境，使得一组客户端可以在服务器上协作训练全局模型，同时保持其训练数据的机密性。本文研究当联邦学习在无线网络上执行时，如何发起空中干扰攻击以破坏联邦学习过程。作为一个无线场景示例，联邦学习被应用于学习如何对由不同位置的客户端（频谱传感器）收集的无线信号进行分类（例如在协作感知中）。攻击者可以干扰从客户端到服务器的本地模型更新传输（上行攻击），或服务器到客户端的全局模型更新传输（下行攻击），或两者兼有。在给定每轮联邦学习可攻击客户端数量预算的情况下，用于（上行/下行）攻击的客户端是根据无攻击情况下预期的本地模型准确率来选择的，或者是通过频谱观测来排序的。通过考虑客户端的不同处理速度和攻击成功概率，这种新颖的攻击被扩展到一般设置。与基准攻击方案相比，这种攻击方法显著降低了联邦学习的性能，从而揭示了联邦学习在无线网络中面临干扰攻击的新漏洞。
引用
@article{arxiv.2201.05172,
title = {Jamming Attacks on Federated Learning in Wireless Networks},
author = {Yi Shi and Yalin E. Sagduyu},
journal= {arXiv preprint arXiv:2201.05172},
year = {2022}
}