计算机应用研究

作者：王晓明,黄斌枘,

单位：1.广州华商学院人工智能学院,广州511300；2.暨南大学信息科学技术学院,广州510632；

关键词：联邦学习,鲁棒性,隐私保护,选择用户,

基金：国家自然科学基金资助项目(61932010,62472198)；；

针对联邦学习过程中模型参数易遭受推理攻击和拜占庭攻击等问题，提出了一种基于用户选择的鲁棒与隐私保护联邦学习方案，以增强模型训练的安全性和可靠性。首先基于雾服务器构建组的概念，设计了一种选择用户算法。该算法旨在挑选出信用分数较高的用户参与全局模型的训练。其次，利用云服务器的测试集，构建了一个局部模型参数过滤和用户分数更新的方法，有效地降低恶意用户对模型训练过程的干扰，并逐步将它们从训练中排除，从而提高了全局模型的鲁棒性。最后，基于云雾协作设计了一个轻量级的加密算法，该算法不仅有效保护了用户局部模型参数隐私，还确保了这些参数在聚合过程中的安全性，同时具有较高的计算效率和通信效率。基于计算Diffie-Hellman（CDH）问题的困难性，提出的方案被证明是安全的，并能有效抵抗各种攻击，从而确保了全局模型具备良好鲁棒性的同时，保护了用户的数据隐私。通过与现有的方案相比较，性能分析和实验结果表明，提出的方案在效率方面表现更为优异，面对恶意攻击者时，直接聚合的全局模型准确率降至约65%，而提出的方案能保持准确率与无攻击者时接近，有效降低了攻击影响。因此，本方案为联邦学习系统在应对推理攻击和拜占庭攻击方面，提供了一种切实有效的解决策略。

来源：2025年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第6期