面向异构数据的安全自适应联邦学习框架.pdfVIP

４２５Ｖｏｌ４２Ｎｏ５

第卷第期计算机应用研究

２０２５５Ｍａｙ２０２５

年月ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ



面向异构数据的安全自适应联邦学习框架

ａ，ｂａａａ

李功丽，刘芳芳，雷宏志，王梦涛

ａ．ｂ．

（河南师范大学计算机与信息工程学院；河南省教育人工智能与个性化学习重点实验室，河南新乡

４５３００７）

ＦＬ

摘要：联邦学习（）作为一种分布式学习范式，实现了本地训练和远程聚合，可以有效保护用户数据的安

全。但是，也产生了推理攻击和投毒攻击等一系列问题，特别是在数据异构场景下投毒检测变得更加困难。针

对上述问题，在数据异构场景下提出了一种安全自适应联邦学习方案（ＳＡＦＬ）。首先，ＳＡＦＬ利用边缘节点之间

ＦＬＦＬ

的相似性设计了一种聚类分层的隐私保护架构，并提出了基于零共享的轻量级安全求和协议，在保护模

型参数隐私性的同时防止边缘节点与服务器之间合谋；然后，构造了一种密文下投毒检测方案并根据检测结果

自适应裁剪确定簇内聚合系数，提高模型的鲁棒性；其次，提出了基于Ｗａｓｓｅｒｓｔｅｉｎ距离的自适应簇间聚合方案，

ＳＡＦＬＳＡＦＬ

增强全局模型的精度；最后，对进行安全分析，并将与现有方案进行比较。结果表明，在数据异构和

ＳＡＦＬ６．２％～４５．６％

盲化模型参数的情况下，仍能够有效检测恶意边缘节点，模型准确率提高约，优于现有方案，

并保持较低的计算和通信成本。

关键词：联邦学习；隐私保护；投毒攻击检测；零共享；自适应聚合；安全余弦相似度

中图分类号：ＴＰ３９０文献标志码：Ａ文章编号：１００１３６９５（２０２５）０５０３２１５２３０９

ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０２４．０７．０３４６

Ｓｅｃｕｒｅａｎｄａｄａｐｔｉｖｅｆｅｄｅｒａｔｅｄｌｅａｒｎｉｎｇｆｒａｍｅｗｏｒｋｆｏｒｈｅｔｅｒｏｇｅｎｅｏｕｓｄａｔａ

，

ａｂａａａ

，，，

ＬｉＧｏｎｇｌｉＬｉｕＦａｎｇｆａｎｇＬｅｉＨｏｎｇｚｈｉＷａｎｇＭｅｎｇｔａｏ

ａ．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒ＆ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇｂ