并非所有边都同等鲁棒：基于排序的联邦学习鲁棒性评估
机器学习
2025-04-23 v3 密码学与安全
分布式、并行与集群计算
摘要
联邦排序学习（FRL）是一种最先进的FL框架，以其通信效率和对投毒攻击的抵御能力而脱颖而出。它在两个方面有别于传统FL框架：1）它利用离散排序代替梯度更新，显著降低了通信成本并限制了恶意更新的潜在空间；2）它在服务器端使用多数投票来建立全局排序，确保单个更新的影响最小化，因为每个客户端仅贡献一票。这些特性增强了系统的可扩展性，使FRL成为FL训练的一种有前途的范式。然而，我们的分析表明，FRL并非天生鲁棒，因为某些边特别容易受到投毒攻击。通过理论探究，我们证明了这些脆弱边的存在，并确立了在每一层中识别它们的下界和上界。基于这一发现，我们引入了一种针对FRL的新型本地模型投毒攻击，即脆弱边操纵（VEM）攻击。VEM攻击侧重于识别并扰动每一层中最脆弱的边，并利用基于优化的方法最大化攻击影响。通过对基准数据集的广泛实验，我们证明我们的攻击实现了53.23%的总体攻击影响，且影响力是现有方法的3.7倍。我们的发现突显了基于排序的FL系统中的重大漏洞，并强调了开发新型鲁棒FL框架的紧迫性。
引用
@article{arxiv.2503.08976,
title = {Not All Edges are Equally Robust: Evaluating the Robustness of Ranking-Based Federated Learning},
author = {Zirui Gong and Yanjun Zhang and Leo Yu Zhang and Zhaoxi Zhang and Yong Xiang and Shirui Pan},
journal= {arXiv preprint arXiv:2503.08976},
year = {2025}
}
备注
18 pages. To appear in the IEEE Symposium on Security and Privacy 2025