缓解基于联邦学习的信号分类器中的规避攻击
信号处理
2025-05-12 v3
摘要
近期利用联邦学习 (FL) 进行无线电信号分类 (SC) 任务的研究展现出前景，但基于 FL 的 SC 仍易受到模型投毒对抗攻击。这些对抗攻击误导 ML 模型训练过程，损害全网范围内的 ML 模型并导致 SC 性能下降。本工作中，我们旨在通过提出联邦学习底层服务器防御 (USD-FL) 来缓解针对基于 FL 的 SC 的模型投毒对抗攻击。与现有服务器驱动防御不同，USD-FL 不依赖完美的网络信息，即无需知晓对抗者数量、对抗攻击架构或对抗攻击的起始时间。我们提出的 USD-FL 方法包括：在保留数据集上推导各设备 ML 模型的 logits，通过 1-Wasserstein 距离进行成对 logits 比较，进而确定用于对抗检测时变阈值。因此，USD-FL 有效缓解了 FL 网络中引入的模型投毒攻击。具体而言，当基线服务器驱动防御具备完美网络信息时，USD-FL 相较其优势为：(i) 最终 ML 分类准确率提升至少 6%，(ii) 误报对抗者检测率降低至少 10%，(iii) 误分类信号总数减少超 8%。此外，当基线防御不具备完美网络信息时，我们表明 USD-FL 在 i.i.d. 与 non-i.i.d. 设定下分别达到约 74.1% 与 62.5% 的准确率，优于现有服务器驱动基线（其在 i.i.d. 与 non-i.i.d. 下分别为 52.1% 与 39.2%）。
引用
@article{arxiv.2306.04872,
title = {Mitigating Evasion Attacks in Federated Learning-Based Signal Classifiers},
author = {Su Wang and Rajeev Sahay and Adam Piaseczny and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2306.04872},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Network Science and Engineering. arXiv admin note: substantial text overlap with arXiv:2301.08866