原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
JournalofComputerApplicationsISSN1001⁃90812025⁃08⁃10
计算机应用,2025,45(8):2399-2408CODENJYIIDUhttp://www.joca.cn
文章编号：1001-9081（2025）08-2399-10DOI:10.11772/j.issn.1001-9081.2024081120
联邦学习中针对后门攻击的检测与防御方案
1，21，2，3*1，21，21，2
苏锦涛，葛丽娜，肖礼广，邹经，王哲
（1.广西民族大学人工智能学院，南宁530006；2.广西民族大学网络通信工程重点实验室，南宁530006；
3.广西混杂计算与集成电路设计分析重点实验室（广西民族大学），南宁530006）
（∗通信作者电子邮qq.com）
摘要：针对联邦学习（FL）系统中普遍存在的恶意后门攻击行为，以及现有防御方案难以在隐私保护与模型训
练的高准确率之间取得平衡的难题，探索FL中的后门攻击及其防御方法，提出一种名为GKFL（Generative
Knowledge-basedFederatedLearning）的安全高效集成方案用于检测后门攻击并修复受损模型。该方案无需访问参与
方的原始隐私数据，通过中央服务器生成检测数据检测联邦学习中的聚合模型是否遭受后门入侵，并采用知识蒸馏
技术恢复受损模型，从而确保模型的完整性和准确性。在数据集MNIST和Fashion-MNIST上的实验结果表明，GKFL
的总体性能均优于经典方案FoolsGold、GeoMed和RFA（RobustFederatedAggregation）；GKFL比FoolsGold更能保护数
据的隐私。可见，GKFL方案拥有检测后门攻击及修复受损模型的能力，并在模型中毒准确率和模型主任务准确率上
明显优于对比方案。
关键词：联邦学习；后门攻击；数据安全；隐私保护；人工智能安全
中图分类号：TP393文献标志码：A
Detectionanddefenseschemeforbackdoorattacksinfederatedlearning
SUJintao1，2，GELina1，2，3*，XIAOLiguang1，2，ZOUJing1，2，WANGZhe1，2
（1.SchoolofArtificialIntelligence，GuangxiMinzuUniversity，NanningGuangxi530006，China；
2.KeyLaboratoryofNetworkCommunicationEngineering，GuangxiMinzuUniversity，NanningGuangxi530006，China；
3.GuangxiKeyLaboratoryofHybridComputationandICDesignAnalysis（GuangxiMinzuUniversity），NanningGuangxi530006，China）
Abstract:Aimingatthecommonlyexis
文档评论（0）