横向联邦学习中的超参数与后门鲁棒性
密码学与安全
2025-09-09 v2
摘要
横向联邦学习（HFL）特别容易受到后门攻击，因为对手可以轻易操纵训练数据和流程以执行复杂的攻击。在本工作中，我们研究了训练超参数对 HFL 中后门攻击有效性和防御效果的影响。更具体地说，我们通过分析和实验表明，良性客户端对超参数的选择不仅影响模型准确率，还显著影响后门攻击的成功率。这与 HFL 安全领域的大量贡献形成鲜明对比，后者通常依赖良性客户端的自定义临时超参数选择——导致更明显的后门攻击强度和削弱的防御效果。我们的结果表明，适当调整良性客户端的超参数——如学习率、批量大小和本地训练轮数——可以显著遏制后门攻击的有效性，而不受恶意客户端设置的影响。我们通过广泛的最先进攻击-防御组合的鲁棒性评估来支持这一主张，表明精心选择的超参数在不牺牲主任务准确率的情况下全面提升了鲁棒性。例如，我们表明强 A3FL 攻击的 50% 存活期可降低 98.6%——全部在不使用任何防御且仅造成 2.9 个百分点干净任务准确率下降的情况下实现。
引用
@article{arxiv.2509.05192,
title = {On Hyperparameters and Backdoor-Resistance in Horizontal Federated Learning},
author = {Simon Lachnit and Ghassan Karame},
journal= {arXiv preprint arXiv:2509.05192},
year = {2025}
}
备注
To appear in the Proceedings of the ACM Conference on Computer and Communications Security (CCS) 2025