面向联邦学习的结构感知分布式后门攻击

虽然联邦学习保护数据隐私，但也使模型更新过程暴露于长期隐蔽性扰动之下。现有联邦学习后门攻击研究主要关注触发器设计或投毒策略，通常假设相同扰动在不同模型架构下行为相似。这种假设忽略了模型结构对扰动有效性的影响。从结构感知角度出发，本文分析了模型架构与后门扰动之间的耦合关系。我们引入两种指标：结构响应分数（SRS）和结构兼容系数（SCC），衡量模型对扰动的敏感性及其对分形扰动的偏好程度。基于这些指标，我们开发了结构感知分形扰动注入框架（TFI），研究架构属性在后门注入过程中的作用。实验结果表明，模型架构显著影响扰动的传播与聚合。具有多路径特征融合的网络可在低投毒比例下放大并保留分形扰动，而结构兼容性低的模型则限制了其有效性。进一步分析揭示了 SCC 与攻击成功率之间存在强相关性，表明 SCC 可预测扰动的存活性。这些发现表明，联邦学习中的后门行为不仅取决于扰动设计或投毒强度，也取决于模型架构与聚合机制之间的相互作用，为结构感知防御设计提供了新视角。