TASER：基于任务感知的谱能量细化，用于 UAV 群集中式联邦学习中的后门抑制
密码学与安全
2026-03-12 v1 人工智能
摘要
随着基于 UAV 的中枢式联邦学习 (DFL) 中的后门攻击日益隐蔽和复杂，现有的防御措施也日益复杂化。然而，这些防御措施——高度依赖异常检测——对精心设计的后门仍然脆弱。在 UAV-DFL 中，缺乏全局协调和有限资源进一步使基于异常的防御在实际中不可行。就此背景下，梯度谱分析提供了有前景的替代方案。虽然先前的工作主要利用低频系数进行成对比较，但忽略了后门梯度的内在谱特征。通过对现有隐蔽攻击的经验分析，我们揭示了一个关键见解：攻击者投入越多力量来模拟良性行为，谱浓度就越显著。以此为动力，我们提出了任务感知谱能量细化 (TASER) ——一种中枢式防御框架。据我们所知，这是首个利用谱浓度而非复杂异常检测的高效后门防御，能够通过结构性地扰乱后门任务来抑制隐蔽攻击。为抑制后门任务，TASER 保留主任务相关的频率系数并丢弃其他系数。我们提供了理论保证，实验表明 TASER 对那些能绕过基于异常的防御的隐蔽后门攻击仍然有效，攻击成功率低于 20%，且准确率损失不足 5%。
引用
@article{arxiv.2603.10075,
title = {TASER: Task-Aware Spectral Energy Refine for Backdoor Suppression in UAV Swarms Decentralized Federated Learning},
author = {Sizhe Huang and Shujie Yang},
journal= {arXiv preprint arXiv:2603.10075},
year = {2026}
}