迈向去中心化学习中的女巫攻击抵御能力

联邦学习是一种保护隐私的机器学习技术，但存在可扩展性受限的问题。该限制主要源于中央参数服务器的网络连接与内存容量，以及模型聚合函数的复杂性。去中心化学习近来作为联邦学习的一种有前景的替代方案正在兴起。这项新技术通过将所有参与节点上的模型聚合去中心化，消除了对中央参数服务器的需求。已有大量研究致力于提升联邦学习抵御投毒与女巫（Sybil）攻击的韧性，而去中心化学习的韧性在很大程度上仍未被研究。这一研究空白是本研究的主要动机，我们的目标是提升去中心化学习对女巫投毒的抵御能力。我们提出 SybilWall，一种专注于增强去中心化学习对针对性女巫投毒攻击韧性的创新算法。通过将基于女巫之间相似性的抗女巫聚合函数与一种新颖的概率化 gossip 机制相结合，我们为可扩展的、抗女巫的去中心化学习建立了新基准。全面的实证评估表明，SybilWall 优于现有的为联邦学习场景设计的最先进解决方案，并且是唯一在一系列对抗性攻击场景下取得一致准确率的算法。我们还发现 SybilWall 降低了创建大量女巫节点的效用，因为我们的评估显示使用较少女巫的对手成功率更高。最后，我们提出了若干对 SybilWall 的可能改进，并指出了有前景的未来研究方向。