面向联邦遗忘的标签推断攻击
密码学与安全
2025-08-12 v1
摘要
联邦遗忘（Federated Unlearning, FU）作为一种应对客户数据删除权利的 promising 解决方案，允许客户在不损害模型性能的前提下从全局模型中擦除其数据。然而，研究者发现 FU 引发的模型参数变动暴露了客户的数据信息，从而使攻击者能够推断遗忘数据标签，而针对 FU 的标签推断攻击尚未得到探索。本文引入并分析了一种新的针对 FU 的隐私威胁，提出了一种新颖的标签推断攻击方法 ULIA，能够在三种 FU 级别上推断遗忘数据标签。为解决通过模型变动推断标签的独特挑战，我们在 ULIA 中设计了梯度-标签映射机制，建立了梯度变动与遗忘标签之间的关系，实现了对累积模型变动的标签推断。我们在 IID 和非 IID 设置下评估了 ULIA。实验结果表明，在 IID 设置下，ULIA 在 class 级别和 client 级别遗忘下均可实现 100% 的攻击成功率（ASR）。即使仅遗忘用户本地数据的 1%，ULIA 仍能实现 ASR ranging 从 93% 到 62.3%。
引用
@article{arxiv.2508.06789,
title = {Label Inference Attacks against Federated Unlearning},
author = {Wei Wang and Xiangyun Tang and Yajie Wang and Yijing Lin and Tao Zhang and Meng Shen and Dusit Niyato and Liehuang Zhu},
journal= {arXiv preprint arXiv:2508.06789},
year = {2025}
}