zkFL 使用零知识证明和区块链处理恶意聚合器问题，提高安全性和隐私性。

Oct, 2023

本文提出了一个新的框架，通过使用一个强大的检测模型，中央服务器可以学习来检测和移除恶意模型更新，从而实现有针对性的防御，以确保对拜占庭攻击和有针对性的模型毒化攻击具有鲁棒性的联合学习。

Feb, 2020

FLDetector 是一种检测在联邦学习中恶意客户端的工具，它基于 Cauchy 均值定理和 L-BFGS 对客户端的历史模型更新进行预测，以检测其是否存在不一致性，该方法能够在多种最新的模型投毒攻击中准确检测到恶意客户端，并通过去除这些恶意客户端来提高模型的准确性。

Jul, 2022

本研究通过对现有 FL 攻击和检测方法进行综合研究，提出了 FLTracer，该方法能够准确检测各种攻击并追踪攻击时间、目标、类型和污染更新的位置，通过基于卡尔曼滤波器的跨轮次检测来识别攻击者，使检测方法对于数据异质性具有鲁棒性且能够在非独立分布的环境中有效工作。经过广泛的评估，FLTracer 在平均真阳性率高于 96.88% 的情况下，平均假阳性率低于 2.67%，明显优于现有的检测方法。

Oct, 2023

本文设计了一种零知识的非定向攻击 (ZKA)，通过合成恶意数据来制造对抗性模型，无需窃听良性客户端的传输或需要大量的任务特定训练数据。实验结果表明，ZKA 可以绕过各种防御机制，高攻击成功率，克服了传统攻击方法的缺陷。

Feb, 2022

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

FedZZ 通过使用基于区域的偏离更新（ZBDU）机制来有效对抗联邦学习中的数据污染攻击，同时还引入了一种精确引导的方法来主动对客户端集群进行特征化，从而帮助识别和丢弃服务器上的恶意更新。在对 CIFAR10 和 EMNIST 这两个广泛认可的数据集进行的评估中，FedZZ 证明了在单个和多个客户端攻击情景以及不同攻击强度下，其在抵御数据污染攻击方面的有效性超过了现有技术方法的表现。此外，在面对日益增长的污染率时，相比现有技术，FedZZ 达到的模型准确性显示出更强的韧性。例如，当存在 50% 的恶意客户端时，FedZZ 的准确性保持在 67.43%，而第二好的解决方案 FL-Defender 的准确性降至 43.36%。

Apr, 2024

本研究探讨了分布式学习系统中的毒化攻击和防御交互，特别是在使用深度学习进行无线信号分类的下一代通信（NextG）的背景下。通过利用地理分散的客户端，全局模型的训练在无需客户端交换数据样本的情况下进行，用于保护现有用户识别，促进频谱共享。然而，在这种分布式学习系统中，恶意客户端的存在会增加通过伪造本地模型交换来操纵全局模型的风险。为了解决这一挑战，本文采用主动防御机制，对参与分布式学习系统的客户端的准入或拒绝进行明智决策。结果提供了保护 NextG 通信中分布式学习系统免受毒化攻击的新型操作模式洞察，通过量化攻击和防御在 NextG 通信背景下的性能。

Dec, 2023

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

本文提出了一种在联邦学习系统中检测客户端异常行为的方法，通过生成模型权重向量的低维聚合来进行异常检测，实验结果表明该方法显著优于传统的防御方法。

Oct, 2019