面向分割型联邦学习的鲁棒客户端-服务器水印方案
密码学与安全
2025-11-18 v1 人工智能
摘要
分割型联邦学习（SFL）因其隐私保护特性和低计算开销而在去中心化机器学习范式中备受推崇。在此框架下，客户端使用轻量级模型在本地处理私有数据并传输中间输出至强大的服务器进行进一步计算。然而，SFL是一把双刃剑：虽然它实现了边缘计算并增强了隐私，但也引入了作为客户和服务器共同贡献训练的知识产权模糊问题。现有水印技术无法保护双方由于缺乏单个参与者拥有完整模型。为此，我们提出了RISE——一种面向SFL的鲁棒模型知识产权保护方案。具体而言，RISE采用非对称的客户端-服务器水印设计：服务器通过损失正则化项嵌入基于特征的水印，而客户端通过向私有数据集中注入预定义触发样本来嵌入基于后门的水印。这种共嵌入策略使客户和服务器都能验证模型所有权。实验结果表明，在标准数据集和多种网络架构下，RISE在大多数设置下实现了超过95%的水印检测率（p<0.03），且客户端和服务器水印之间无相互干扰，抗常规剔除攻击具有鲁棒性。
引用
@article{arxiv.2511.13598,
title = {Robust Client-Server Watermarking for Split Federated Learning},
author = {Jiaxiong Tang and Zhengchunmin Dai and Liantao Wu and Peng Sun and Honglong Chen and Zhenfu Cao},
journal= {arXiv preprint arXiv:2511.13598},
year = {2025}
}