计算机应用研究

作者：刘金全,张铮,陈自东,曹晟,

单位：1.国能大渡河大数据服务有限公司数据安全组,成都610041；2.电子科技大学计算机科学与工程学院(网络空间安全学院),成都611731；

关键词：联邦学习,投毒攻击防御,训练权重,鲁棒性,

基金：四川省重点研发计划资助项目(2021YFG0113,2023YFG0118)；；

联邦学习分布式的训练结构易受到投毒攻击的威胁，现有方法主要针对中央服务器设计安全聚合算法以防御投毒攻击，但要求中央服务器可信且中毒参与方数量需低于正常参与方。为了解决上述问题，提出了一种基于联邦学习参与方的投毒攻击防御方法，将防御策略的执行转移到联邦学习的参与方。首先，每个参与方独立构造差异损失函数，通过计算全局模型与本地模型的输出并进行误差分析，得到差异损失权重与差异损失量；其次，依据本地训练的损失函数与差异损失函数进行自适应训练；最终，依据本地模型与全局模型的性能分析进行模型选取，防止中毒严重的全局模型干扰正常参与方。在MNIST与FashionMNIST等数据集上的实验表明，基于该算法的联邦学习训练准确率优于DnC等投毒攻击防御方法，在中毒参与方比例超过一半时，正常参与方仍能够实现对投毒攻击的防御。

来源：2024年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第4期