SAFELOC：克服面向室内定位的异构联邦机器学习中的数据投毒攻击
机器学习
2024-11-15 v1 人工智能
密码学与安全
摘要
基于机器学习（ML）的室内定位解决方案对许多新兴应用至关重要，但其功效常因移动设备间的硬/软件差异（即设备异构性）和ML数据投毒攻击威胁而受损。旨在应对这些挑战的常规方法对这些现象产生的不确定性表现出有限的韧性。作为回应，本文提出SAFELOC，一种新颖框架，不仅能在上述挑战性条件下最小化定位误差，还能确保模型紧凑性以实现移动设备上的高效部署。我们的框架面向分布式协作学习环境，该环境使用联邦学习（FL）保护用户数据隐私，并假设用户携带异构移动设备（正如大多数现实场景）。在此异构FL背景下，SAFELOC引入一种新颖的融合神经网络架构，执行数据投毒检测与定位，且模型占用低。此外，设计一种基于动态显著性图的聚合策略，根据检测到的数据投毒场景严重程度自适应调整。实验评估表明，在多样建筑平面图、移动设备和ML数据投毒攻击场景下，SAFELOC相比最先进的室内定位框架，平均定位误差提升高达5.9倍，最坏情况定位误差提升7.8倍，模型推理延迟降低2.1倍。
引用
@article{arxiv.2411.09055,
title = {SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization},
author = {Akhil Singampalli and Danish Gufran and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2411.09055},
year = {2024}
}