犯罪伙伴：提高针对联邦学习的定性毒害攻击
密码学与安全
2025-03-25 v2 机器学习
摘要
联邦学习（FL）暴露于旨在将特定来源类别误分类为目标类别的定性毒害攻击。然而，使用经过验证的防御框架，这些攻击的毒害影响可被大大缓解。我们引入一种通用的预训练方法，以提高针对联邦学习的定性毒害攻击，称为BoTPA。其设计理念是利用所有数据点的模型更新贡献，包括来源和目标类别之外的数据点，以构建放大器集合，在FL训练过程之前人为改变数据标签，以提升攻击效果。我们全面评估了BoTPA在各种定性毒害攻击中的有效性和兼容性。在数据毒害攻击下，我们的评估显示，BoTPA可在所有可能的来源-目标类别组合之间实现15.3%至36.9%的中位数相对提升攻击成功率（RI-ASR），具体取决于恶意客户端的比例。就模型毒害而言，BoTPA在Krum和Multi-Krum防御下实现RI-ASR范围为13.3%至94.7%，在Median防御下为2.6%至49.2%，在Flame防御下为2.9%至63.5%。
引用
@article{arxiv.2407.09958,
title = {Partner in Crime: Boosting Targeted Poisoning Attacks against Federated Learning},
author = {Shihua Sun and Shridatt Sugrim and Angelos Stavrou and Haining Wang},
journal= {arXiv preprint arXiv:2407.09958},
year = {2025}
}
备注
To appear in IEEE Transactions on Information Forensics and Security (TIFS) 2025