面向联邦学习驱动的道路状况分类之安全护航
密码学与安全
2025-07-18 v1 人工智能
摘要
联邦学习（FL）作为一种面向隐私保护的自动驾驶解决方案，特别是针对基于摄像头的道路状况分类（RCC）系统，正在利用车载分布式的感知、计算和通信资源，而无需共享敏感图像数据。然而，FL-RCC 框架的协作性质引入了新的漏洞：针对性标签翻转攻击（TLFA），即恶意客户端（车辆）刻意改变其训练数据标签以破坏所学习模型的推理性能。此类攻击可导致车辆将危险的湿滑道路误判为良好路面，从而超出推荐车速。然而，针对 FL 基于 RCC 系统的 TLFAs 目前仍存缺失。为此，我们提出三重贡献：1）我们披露了现有 FL-RCC 系统受 TLFAs 攻击的脆弱性；2）我们引入一种新型基于标签距离的度量，以精确量化 TLFAs 所致的安全风险；3）我们提出 FLARE，一种基于输出层神经元级分析的防御机制，用于缓解 TLFAs 的影响。通过在三个 RCC 任务、四个评估指标、六个基线和三个深度学习模型上的大量实验，证明了 TLFAs 对 FL-RCC 系统的严重性以及 FLARE 缓解攻击影响的有效性。
引用
@article{arxiv.2507.12568,
title = {Safeguarding Federated Learning-based Road Condition Classification},
author = {Sheng Liu and Panos Papadimitratos},
journal= {arXiv preprint arXiv:2507.12568},
year = {2025}
}
备注
Accepted by IEEE Conference on Communications and Network Security (CNS) 2025