RepuNet：用于缓解DFL恶意客户端的声誉系统
密码学与安全
2025-06-26 v1 人工智能
分布式、并行与集群计算
机器学习
性能
摘要
去中心化联邦学习（DFL）使节点能够在无需中心服务器的情况下协同训练模型，引入了新的漏洞，因为每个节点可以独立选择同伴进行模型聚合。恶意节点可能利用这种自主权通过发送被篡改的模型（模型中毒）、延迟模型提交（延迟攻击）或轰炸网络以过多消息，严重影响系统性能。现有解决方案往往依赖刚性配置或额外基础设施如区块链，导致计算开销、可扩展性问题或适应性受限。为克服这些限制，本文提出RepuNet，一种去中心化声誉系统，对DFL中的威胁进行分类，并利用模型相似性、参数变化、消息延迟和通信量等指标动态评估节点行为。节点的影响力根据其声誉得分进行调整。RepuNet被集成到Nebula DFL平台上，并在MNIST和CIFAR-10数据集上进行了实验评估，在最多25个节点的完全连接和随机拓扑结构下进行。在不同攻击强度、频率和激活间隔下进行测试。结果表明，RepuNet有效检测并缓解了恶意行为，在MNIST场景下实现95%以上的F1分数，在CIFAR-10案例中约达到76%。这些结果凸显了RepuNet的适应性、鲁棒性及其在去中心化联邦学习环境中缓解威胁的实际潜力。
引用
@article{arxiv.2506.19892,
title = {RepuNet: A Reputation System for Mitigating Malicious Clients in DFL},
author = {Isaac Marroqui Penalva and Enrique Tomás Martínez Beltrán and Manuel Gil Pérez and Alberto Huertas Celdrán},
journal= {arXiv preprint arXiv:2506.19892},
year = {2025}
}