数字孪生6G赋能物联网中联邦边缘学习的投毒攻击：一项预期性研究
密码学与安全
2023-03-22 v1 人工智能
摘要
联邦边缘学习可在支持数字孪生6G赋能的物联网（IoT）环境中保护隐私的人工智能（AI）活动中发挥关键作用。然而，我们还需考虑针对底层AI系统的潜在攻击（例如，对手在本地更新期间破坏IoT设备上的数据或破坏模型更新）；因此，在本文中，我们对数字孪生6G赋能IoT环境中联邦边缘学习的投毒攻击提出了一项预期性研究。具体而言，我们研究了对手对数字孪生6G赋能IoT环境中联邦学习模型训练与开发的影响。我们展示了攻击者可在两种不同学习设置（即集中式学习与联邦学习）中实施投毒攻击，且成功攻击会严重降低模型准确率。我们在为IoT应用设计的新网络安全数据集上，于非独立同分布（Non-IID）数据与独立同分布（IID）数据下，使用三个深度神经网络对攻击进行了全面评估。在攻击分类问题上，投毒攻击可使准确率从IID数据下的94.93%降至85.98%，以及从Non-IID下的94.18%降至30.04%。
引用
@article{arxiv.2303.11745,
title = {Poisoning Attacks in Federated Edge Learning for Digital Twin 6G-enabled IoTs: An Anticipatory Study},
author = {Mohamed Amine Ferrag and Burak Kantarci and Lucas C. Cordeiro and Merouane Debbah and Kim-Kwang Raymond Choo},
journal= {arXiv preprint arXiv:2303.11745},
year = {2023}
}
备注
The paper is accepted and will be published in the IEEE ICC 2023 Conference Proceedings