TinyGuard：基于统计更新指纹的轻量级资源受限联邦学习拜占庭防御
密码学与安全
2026-02-04 v1 人工智能
摘要
现有的拜占庭鲁棒聚合机制通常依赖于完整维度的梯度比较或成对距离计算，导致计算开销大，限制了在大规模和资源受限的联邦系统中的应用。本文提出了 TinyGuard，一种通过统计更新指纹实现的轻量级拜占庭防御，通过统计更新指纹增强标准 FedAvg 算法。无需直接操作高维梯度，TinyGuard 提取包含客户端更新关键行为属性的紧凑统计指纹，包括范数统计、层级比率、稀疏性测度和低阶矩数。通过在低维指纹空间中测量稳健统计偏差来识别拜占庭客户端，而无需修改底层优化过程。广泛的在 MNIST、Fashion-MNIST、ViT-Lite 和 ViT-Small 上的实验表明，TinyGuard 在良好设置下维持 FedAvg 收敛，并在多种拜占庭攻击场景（包括符号翻转、缩放、噪声注入和标签投毒）下实现最高 95% 准确率。针对自适应白盒 adversaries，横跨四个数量级的帕累托前沿分析确认，攻击者无法同时规避检测并实现有效投毒， features 我们称为统计手铲。消融研究在不同客户端数量（50-150）、阈值参数和极端数据异构性下验证了稳定的检测精度 0.8。该框架具有无特定架构优势，特别适用于面向联邦预训练模型的微调，因而传统拜占庭防御在此类场景下变得不可行。
引用
@article{arxiv.2602.02615,
title = {TinyGuard:A lightweight Byzantine Defense for Resource-Constrained Federated Learning via Statistical Update Fingerprints},
author = {Ali Mahdavi and Santa Aghapour and Azadeh Zamanifar and Amirfarhad Farhadi},
journal= {arXiv preprint arXiv:2602.02615},
year = {2026}
}