利用 PPA 和 MiniMax 博弈论缓解联邦学习中的后门攻击
机器学习
2026-03-31 v1 密码学与安全
分布式、并行与集群计算
计算机科学与博弈论
摘要
联邦学习（FL）因其能够利用大量分散数据的同时保护隐私而获得日益广泛的应用。然而，尽管具有这些优势，联邦学习仍面临若干挫折，直接影响其生成的全局模型的准确性和完整性。其中一个挫折是恶意客户端的存在，它们通过向本地模型注入后门数据来积极破坏全局模型，同时试图逃避检测。此类客户端的目的是欺骗全局模型在推理时做出错误预测，从而损害诚实利益相关者所依赖的全局模型的完整性和可信度。为缓解此类恶意行为，我们提出了 FedBBA（联邦后门与行为分析）。所提出的模型旨在削弱此类客户端对最终准确率的影响，从而创建更具韧性的联邦学习环境。我们通过以下组合来构建我们的方法：（1）用于评估和追踪客户端行为的声誉系统，（2）用于奖励诚实参与和惩罚恶意行为的激励机制，以及（3）结合投影寻踪分析（PPA）的博弈论模型，用于动态识别并最小化恶意客户端对全局模型的影响。在德国交通标志识别基准（GTSRB）和比利时交通标志分类（BTSC）数据集上的广泛模拟表明，FedBBA 将后门攻击成功率降至约 1.1%–11%，显著优于 RDFL 和 RoPE 等最先进防御方法（攻击成功率为 23%–76%），同时保持了高正常任务准确率（约 95%–98%）。
引用
@article{arxiv.2603.28652,
title = {Mitigating Backdoor Attacks in Federated Learning Using PPA and MiniMax Game Theory},
author = {Osama Wehbi and Sarhad Arisdakessian and Omar Abdel Wahab and Anderson Avila and Azzam Mourad and Hadi Otrok},
journal= {arXiv preprint arXiv:2603.28652},
year = {2026}
}
备注
12 pages, 4 images, 2 tables, 2 algorithms, Regular Journal Paper