Mar, 2023

数字孪生 6G IoT 联邦边缘学习中的毒化攻击：预测性研究

PDF
TL;DR本文针对数字双胞胎 6G 启用的物联网环境中边缘学习的中毒攻击问题进行了预测研究，发现攻击者可以在集中式学习和联邦学习的两种学习设置中进行中毒攻击，并且成功的攻击严重降低了模型的准确性。
federated edge learningprivacy-preservingdigital twinpoisoning attacks6g-enabled iot
发现论文，激发创造
  • 联邦式机器学习的数据注入攻击

    本文旨在研究联邦机器学习中的数据投毒攻击漏洞，使用一个基于多任务学习框架的联邦学习框架，提出了一个自适应的双层优化问题，并提出了一种系统感知的优化方法，ATTack on Federated Learning (AT2FL)，用于计算联邦机器学习中的设备投毒策略。实验结果表明，无论是直接毒害目标节点还是利用通信协议间接毒害相关节点，联邦多任务学习模型都非常容易受到投毒攻击的影响。

    Apr, 2020

  • 物联网设备恶意代码检测的联邦学习

    本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响 IoT 设备的恶意软件的框架，并使用 N-BaIoT 数据集进行评估。研究表明，与传统方法相比，联邦学习方法可以显著提高模型性能，并且在保护用户隐私的前提下，其结果与集中式方法相似。此外，针对恶意攻击提出的其他模型聚合函数也可以提供显著改进，但需要进一步研究来提高联邦学习方法的鲁棒性。

    Apr, 2021

  • 针对联邦学习系统的数据污染攻击

    本文研究了面向联邦学习系统的有针对性的数据毒化攻击，通过对恶意参与者的异常检测和排除，提出了一种有效的防御策略。

    Jul, 2020

  • 通过联邦学习增强物联网安全对抗 DDoS 攻击

    通过利用联邦学习技术，本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性，实时检测并减轻攻击的影响，同时保护敏感数据的隐私。研究结果表明，在非独立非同分布数据集中，FedAvgM 的聚合算法优于 FedAvg，提供更好的稳定性和性能。

    Mar, 2024

  • 用于工业物联网的自适应联邦学习和数字孪生

    本研究提出了一种数字孪生的工业物联网新架构，通过可信的协作聚合机制，自适应地控制分布式学习频率并异步聚类，来提高学习性能，从而优化其工业 4.0 的应用效果。

    Oct, 2020

  • 透过对抗性的视角分析联邦学习

    本篇论文探讨了在联邦学习中的模型污染攻击，通过提出一种交替极小化策略和使用参数估计方法使恶意代理更容易成功攻击，同时提出利用可解释性技术生成模型决策的视觉解释，为联邦学习中的漏洞和防御策略提供了借鉴。

    Nov, 2018

  • 计算机网络中的数据污染攻击暴露下的联邦学习漏洞

    数据污染攻击对于计算机网络领域的严重性进行了实证研究，发现 Label Flipping 攻击易于检测，而 Feature Poisoning 攻击难以被察觉，证明了后者在欺骗服务器方面的重要性。

    Mar, 2024

  • 对拜占庭 - 鲁棒联邦学习的本地模型污染攻击

    本论文针对联邦学习中的本地模型污染攻击进行了系统研究，经过实验验证，表明该攻击可以显著提高联邦学习方法的误差率，并提出了两种抵御该攻击的方法，需要进一步加强防御。

    Nov, 2019

  • 基于联邦学习的智能电网虚假数据注入攻击分布式定位

    本文提出了一种联邦学习机制，结合混合卷积神经网络体系结构，并利用图形神经网络和 LSTM 层中的本地相关性和数据时间模式，以在分布式设置中灵活且高效地训练 FDIA 检测器，同时保护客户的隐私。

    Jun, 2023

  • FDA3：云基工业物联网应用防敌模式下的联邦防御

    通过提出一种基于联邦学习的云端架构，我们的研究展示了一种有效的联合防御方法 (FDA3) 来防范工业互联网应用中的恶意攻击，该方法在不同的攻击来源中聚合防御知识，生成的深度神经网络在抵抗恶意攻击方面表现优异，适用于各种类型的新攻击。

    Jun, 2020