Backspin: A backdoor attack framework for split learning based on smashed data

doi:10.1016/j.neunet.2026.109402

Backspin: A backdoor attack framework for split learning based on smashed data

2026-07-01

0

PRE

AI

DOI：10.1016/j.neunet.2026.109402

原文链接

原文求助

摘要

En 中文

分割学习（SL）代表了一种面向拥有私有数据且计算能力受限参与者的新型协作机器学习范式。与联邦学习（FL）及其他协作学习范式类似，SL也易受安全威胁，包括后门攻击。尽管先前研究声称SL对后门攻击具有高度鲁棒性，因为攻击者无法获取其他参与者的训练数据和模型，但本研究通过分析来自多个客户端的合并数据，揭示了SL在面对此类威胁时的脆弱性。基于我们的分析和观察，我们提出了一种针对分割学习的后门攻击框架，称为Backspin，该框架利用不同客户端合并数据的相似性来执行客户端和服务器端攻击。我们的评估涵盖了计算机视觉（CV）和自然语言处理（NLP）任务，在六种常用数据集和六种模型的不同分割学习设置下进行，以验证Backspin的有效性和对常见隐私防御的鲁棒性。值得注意的是，我们的方法实现了超过90%的平均攻击成功率（ASR），同时仅导致与集中式训练相比1.5%的干净数据准确率（CDA）下降，表明我们的方法在有效执行攻击的同时，并未显著损害数据完整性。

Keyword:

Split learning

Backdoor attack

Federated learning

AI security

Backspin: A backdoor attack framework for split learning based on smashed data

摘要

期刊

机构

引用论文