.png){kind=icon}
返回
AMBER: Robust Federated Learning Based on Client Verification
.png){kind=icon}
OA
AI
DOI：10.1109/tifs.2026.3707790.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习（FL）通过避免直接访问本地数据来保护数据隐私，但这限制了服务器对客户端模型更新的验证。不可靠参与者可以注入恶意更新以在未被发现的情况下毒害全局模型。本文分析了本地训练三个连续阶段的客户端漏洞：本地数据集污染、模型选择性输入和训练过程篡改。我们将此类威胁称为局部链式攻击（LCAs），它们严重降低了全局模型的鲁棒性。为解决这些挑战，我们提出了AMBER，一种具有新颖三层验证机制的鲁棒联邦学习框架，用于客户端信任评估。第一层通过向量承诺确保数据集的完整性和客户端持有数据的分布。第二层通过基于本地一致性的验证机制检测选择性输入攻击。第三层通过可信执行环境（TEE）中的安全原语验证模型输入和输出之间的相关性，强制执行计算完整性。AMBER在明确的信任边界下，在数据、输入和计算阶段建立了可验证的完整性链接。涵盖多个数据集、模型和攻击场景的实验评估表明，AMBER在防御有效性方面优于现有方法，开销低，并且能很好地适应非独立同分布（Non-IID）环境。
Keyword:
Federated learning
secure aggregation
local chained attacks
trusted execution environment
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
Manipulating the Byzantine: Optimizing Model Poisoning Attacks and Defenses for Federated LearningOAAI
OAAI分享收藏Threats to Training: A Survey of Poisoning Attacks and Defenses on Machine Learning Systems对训练的威胁: 对机器学习系统的中毒攻击和防御的调查
PREAI
分享收藏VeriFL: Communication-Efficient and Fast Verifiable Aggregation for Federated LearningVeriFL: 通信-用于联邦学习的高效且快速的可验证聚合
OAAI
OAAI分享收藏Trusted AI in Multiagent Systems: An Overview of Privacy and Security for Distributed Learning.png)
PROCEEDINGS OF THE IEEEOAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏分享收藏Adversarial Reinforcement Learning Based Data Poisoning Attacks Defense for Task-Oriented Multi-User Semantic Communication基于对抗强化学习的面向任务的多用户语义通信数据中毒攻击防御
PREAI
分享收藏Model Protection: Real-Time Privacy-Preserving Inference Service for Model Privacy at the Edge模型保护: 边缘模型隐私保护的实时推理服务
PREAI
分享收藏
查看更多内容