.png){kind=icon}
返回
Multi-target federated backdoor attack based on feature aggregation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112333.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前联邦后门攻击主要关注协同训练后门触发器，其中多个被入侵客户端训练其本地触发器补丁，然后在推理阶段将其合并为全局触发器。然而，这些方法需要精心设计触发器补丁的形状和位置，且训练过程中缺乏触发器补丁之间的特征交互，导致后门攻击成功率较低。此外，补丁的像素未被截断，使得后门样本中的突变区域容易被检测算法发现。为此，我们提出了一种基于特征聚合的联邦后门攻击新型基准。具体而言，我们将触发器的维度与图像对齐，约束触发器的像素边界使其保持在较小范围内以避免被检测，并聚合来自多个被入侵客户端的触发器特征，以增强全局触发器捕捉分布式数据模式的能力。此外，利用类内攻击策略为每个类别的样本训练特定触发器，我们提出同时为所有目标类别生成后门触发器，显著减少了针对所有目标类别的触发器生产总时间，并增加了联邦模型被攻击的风险。实验表明，我们的方法不仅能绕过防御方法在基于补丁的方法失效时的检测，还能实现成功率为77.39%的无监督后门攻击。据我们所知，我们的工作是首次在联邦学习中实现此类无监督攻击。最后，我们通过调整触发器的训练因素（包括污染位置、比例、像素边界和触发器训练时长（本地轮次和通信轮次））来评估攻击性能。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
An Efficient Privacy-Enhancing Cross-Silo Federated Learning and Applications for False Data Injection Attack Detection in Smart Grids智能电网中虚假数据注入攻击检测的高效隐私增强跨孤岛联邦学习与应用
OAAI
OAAI分享收藏FedCL: Federated contrastive learning for multi-center medical image classification.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Toward Understanding and Boosting Adversarial Transferability From a Distribution Perspective从分布的角度理解和提高对抗性可转移性OAAI
OAAI分享收藏ADFL: Defending backdoor attacks in fe derate d learning via adversarial distillationADFL: 通过对抗性蒸馏在fe derate d学习中防御后门攻击COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏An Efficient and Dynamic Privacy-Preserving Federated Learning System for Edge Computing面向边缘计算的高效动态隐私保护联邦学习系统
PREAI
分享收藏
查看更多内容