Secure-CHG：通过混合防御与贡献感知信任实现鲁棒且公平的联邦学习综合框架

联邦学习（FL）极易受到隐蔽后门攻击，此类攻击旨在迫使模型对包含特定触发器的输入预测攻击者选择的目标类别。然而，现有的统计防御主要关注模型收敛的早期阶段。本文中，我们识别出一个基本漏洞，称为“后期阶段失效”。我们证明，随着全局模型的收敛，梯度范数的衰减使得恶意更新与良性更新在形态上难以区分。这种统计方差的消失有效地使传统防御失效，使自适应对手能够潜伏并随后劫持训练过程。为克服这些限制，我们提出了Secure-CHG，一个混合框架，将防御范式从表面的形态检测转向内在的语义贡献验证。Secure-CHG采用自适应防御流程：级联统计过滤器在早期振荡阶段稳定优化，而新颖的CHG-Shapley机制在后期收敛阶段接管。通过利用样本硬度（即局部训练损失）将更新投影到复合的硬度-梯度空间中，它有效地放大了对抗性语义痕迹，即使在梯度范数消失时也能隔离隐蔽攻击者。此外，我们推导了CHG-Shapley的闭式解，便于低复杂度、免重训的节点评估和信任调制聚合。在CIFAR-10、MedMNIST和NEU-SDDB上的广泛评估表明，Secure-CHG能有效缓解后期阶段失效。具体而言，它显著抑制了高级后门攻击，相对于主流的Krum和Trimmed Mean基线，攻击成功率分别降低了2.3倍和2.0倍。