.png){kind=icon}
返回
Backdoor Attack on Encryption-Protected Vertical Federated Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3581095.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
垂直联邦学习（VFL），作为联邦学习的关键范式之一，通常应用于多个参与方共享相同样本集但拥有不同特征的场景。先前的研究表明，由于VFL的固有特性，其易受后门攻击。然而，加密保护的VFL中的后门攻击问题尚未得到充分探索。在这种情况下，攻击者无法直接访问明文样本级的梯度，这看似为VFL提供了增强的安全性。攻击者仅限于利用自己的底层模型和一小部分辅助样本来实施后门攻击，导致许多现有攻击策略失效。在本文中，我们提出了一种强大的后门攻击：BAEVFL（加密保护垂直联邦学习中的后门攻击），该攻击通过三个关键阶段执行：伪标签推理、触发器优化和后门污染。我们的攻击可以在不访问明文梯度信息或包含所有类的辅助样本的情况下成功实施。它仅需攻击者的底层模型和目标类样本的最小集合。我们进行了广泛的实验，证明BAEVFL在各种最先进基准方法中表现更优，在四个基准数据集上实现了超过98%的ASR，同时保持效用下降小于0.3%。此外，我们评估了当前代表性防御方法对BAEVFL的有效性。结果表明，现有防御方法难以在防御和效用之间取得平衡，并为我们提供了对这些方法潜在改进的关键建议。BAEVFL凭借其隐蔽性和有效性，暴露了加密保护VFL中的重大安全漏洞，强调了未来研究该范式鲁棒防御机制紧迫性的需要。
Keyword:
Backdoor attack
vertical federated learning
encryption-protected
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
BadNets: Evaluating Backdooring Attacks on Deep Neural NetworksBadNets: 评估对深度神经网络的后台攻击.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏LR-BA: Backdoor attack against vertical federated learning using local latent representationsLr-ba: 使用本地潜在表示对垂直联邦学习的后门攻击COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容