KeTS: Kernel-Based Trust Segmentation Against Model Poisoning Attacks

doi:10.1007/978-3-032-07884-1_7

2026-01-01

PRE

Ankit Gangwal

Mauro Conti

Tommaso Pauselli *

DOI：10.1007/978-3-032-07884-1_7

原文链接

原文求助

摘要

En 中文

联邦学习（FL）使多个用户能够以分布式方式协作训练全局模型，而无需泄露其个人数据。然而，FL仍然容易受到模型投毒攻击，恶意行为者会注入精心制作的更新以破坏全局模型的准确性。我们提出了一种新颖的防御机制——基于核的信任分割（KeTS），以对抗模型投毒攻击。与现有方法不同，KeTS分析每个客户端更新的演变，并使用核密度估计（KDE）有效分割恶意客户端，即使在存在良性离群值的情况下也是如此。我们在四个不同数据集（即MNIST、Fashion-MNIST、CIFAR-10和KDD-CUP-1999）上对KeTS针对六种最有效的模型投毒攻击（即Trim-Attack、Krum-Attack、Min-Max攻击、Min-Sum攻击及其变体）的性能进行了全面评估，并将其性能与三种经典鲁棒方案（即Krum、Trim-Mean和Median）和一种最先进的防御（即FLTrust）进行了比较。我们的结果表明，KeTS在每种攻击设置下均优于现有防御；在MNIST上以>24%的总体平均优势、在Fashion-MNIST上以>14%的总体平均优势、在CIFAR-10上以>9%的总体平均优势、在KDD-CUP-1999上以>11%的总体平均优势超越了表现最佳的防御。一系列进一步的实验（改变投毒方法、攻击者数量等）揭示了KeTS在多样化条件下的持续且卓越的性能。KeTS是一种实用解决方案，因为它满足所有三个防御目标（即保真度、鲁棒性和效率），而不会给客户端带来额外开销。最后，我们还讨论了一种简单而有效的KeTS扩展，以处理一致非目标（如符号翻转）攻击以及目标攻击（如标签翻转）。

Keyword:

Federated Learning

Model Poisoning

Outlier Detection