FLEDGE: 基于账本的联邦学习抵抗推理和后门攻击

Oct, 2023

FLEDGE: 基于账本的联邦学习抵抗推理和后门攻击

FLEDGE: Ledger-based Federated Learning Resilient to Inference and Backdoor Attacks

Jorge Castillo, Phillip Rieger, Hossein Fereidooni, Qian Chen, Ahmad Sadeghi

TL;DRFLEDGE 是一个基于账本的联邦学习框架，通过使用加密货币来提高参与方的责任感，并在减轻推断和污染攻击的同时，保护模型隐私并保持模型效用。

Abstract

federated learning (FL) is a distributed learning process that uses a trusted aggregation server to allow multiple parties (or clients) to collaboratively train a machine learning model without having them share their private data. Recent research, however, has demonstrated the effecti

federated learning inference attacks poisoning attacks ledger-based fl framework party accountability

发现论文，激发创造

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

使用区块链防御联邦学习中的恶意行为

使用去中心化的基于区块链的安全可靠的 FLock 系统，采用分布式账本技术来保护数据隐私并设计了一种新增奖励和惩罚机制以检测和防止恶意客户，并提供激励以确保 FLock 系统中的模型参数上传的诚实性和模型质量

Nov, 2022

区块链在联邦学习中防御恶意行为的应用

提出一种基于区块链和分布式账本技术的安全可靠的联邦学习系统，该系统结合了点对点投票机制和激励 - 惩罚机制来检测和防止恶意行为，理论分析和实证分析表明，该框架抵御了客户端恶意行为。

Jul, 2023

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

当联邦学习遇见区块链：一种新的分布式学习范式

本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

Sep, 2020

基于区块链的去中心化联邦学习毒害攻击监测

本研究提出了一种去耦合监测和检测阶段的技术，用于监测 FL 部署中工作节点的行为，建立在基于区块链的 FL 之上，并证明了该技术可以提高网络的可扩展性、鲁棒性和时间效率。

Sep, 2022

FLIP：联邦学习中后门缓解的可证明防御框架

本文介绍了一个理论分析及实验研究结果，关于联邦学习在提高隐私保护的同时，如何防止数据或梯度被恶意污染，通过提出反向工程防御方法，可以保证攻击成功率的减少，并提高对抗性的鲁棒性。

Oct, 2022

Fed-Credit：具有可信管理的稳健联邦学习

基于可信度管理方案的鲁棒联邦学习方法，可以保护隐私并对抗恶意攻击。

May, 2024

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

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