G$^2$uardFL: 基于归属客户端图聚类的防御联合学习后门攻击方法

Jun, 2023

G$^2$uardFL: 基于归属客户端图聚类的防御联合学习后门攻击方法

G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering

Hao Yu, Chuan Ma, Meng Liu, Xinwang Liu, Zhe Liu...

TL;DRG$^2$uardFL 是一种保护性框架，通过使用客户端图聚类技术识别恶意客户端，并采用自适应方法来增强聚合模型和被毒化客户模型之间的差异，从而消除之前嵌入的后门。

Abstract

As a collaborative paradigm, federated learning (FL) empowers clients to engage in collective model training without exchanging their respective local data. Nevertheless, FL remains vulnerable to backdoor attacks

federated learning backdoor attacks g$^2$uardfl graph clustering adaptive method

发现论文，激发创造

强大的联邦学习抵抗客户端训练数据分布推理攻击

通过提出 InferGuard，一个新颖的拜占庭鲁棒聚合规则，我们的防御机制在保护客户端训练数据分布推断攻击方面表现出高度的有效性，甚至对于强适应性攻击也具有很强的防御能力，并在各种实际的联邦学习场景中显著优于基准方法。

Mar, 2024

关于联邦学习后门防御漏洞的研究

本文重点研究联邦学习（FL）中后门攻击的防御方法，提出一种新的联邦后门攻击框架，通过直接修改局部模型权重注入后门触发器，并与客户端模型联合优化，从而更加单独和隐蔽地绕过现有防御。实证研究表明最近的三大类联邦后门防御机制存在一些缺陷，我们对此提出了建议。

Jan, 2023

FLGuard: 基于对比模型的拜占庭安全联邦学习

FLGuard 是一种新的拜占庭 - 鲁棒联邦学习方法，通过利用对比学习技术检测恶意客户端并丢弃恶意本地更新，设计 FLGuard 作为一种集成方案来最大化其防御能力，在各种中毒攻击下广泛评估 FLGuard，并与现有的拜占庭 - 鲁棒联邦学习方法的全局模型的准确性进行比较，在大多数情况下，FLGuard 优于现有的防御方法，并在非独立和标识分布设置下展现了巨大的改进。

Mar, 2024

虚假还是被篡改？理解联邦学习中的恶意客户

本文通过对文献中提出的各种污染攻击和防御聚合规则进行全面分析，并将它们归纳到一个共同框架下，旨在为从业者和研究人员提供对不同类型的威胁的清晰理解，并确定进一步的研究领域。

Mar, 2024

5G 网络安全联邦学习框架

本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

May, 2020

联邦学习中的后门攻击防御技术 - FedDefender

FedDefender 是针对联邦学习中针对性攻击的一种防御机制，通过差分测试来识别恶意客户端并减少攻击成功率 10％，同时不影响全局模型性能。

Jul, 2023

FedTruth: 拜占庭容错和后门抵制的联邦学习框架

FedTruth 是一种针对 FL 中的模型污染问题的鲁棒防御方法，通过动态聚合权重估计全局模型更新，考虑了所有良性客户的贡献，并在实证研究中证明了其对拜占庭攻击和后门攻击的毒化更新的影响有很好的缓解效果。

Nov, 2023

FL-GUARD：负面联合学习运行时检测和恢复的整体框架

FL-GUARD 是一个动态检测负面联邦学习并在必要时激活恢复措施的综合框架，具备成本效益的 NFL 检测机制，对不愿或不能采取恢复措施的客户鲁棒，并与先前的 NFL 解决方案兼容。

Mar, 2024

个性化联邦学习的后门攻击

在个性化联合学习场景中，本文首次研究了后门攻击，并发现部分模型共享的个性化联合学习方法仍然容易受到后门攻击的威胁，提出了三种后门攻击方法，并实验证明这些方法对两种经典个性化联合学习方法的有效性。同时，本文还评估了多种防御策略对这些攻击的有效性，发现梯度范数剪辑策略特别有效。最后，本文呼吁对个性化联合学习场景中的攻击和防御进行进一步研究。

Jul, 2023

使用稳健的学习速率防御联邦学习中的后门

本文提出了防范联合学习中后门攻击的一个轻量级的防御方案，该方案通过调整聚合服务器的学习速率来达到目的，在实验中，我们发现我们的防御方案显著优于文献中提出的一些防御措施。

Jul, 2020