一种支持安全联邦学习的主动保护模型水印框架.pdfVIP

研究论文第51卷第1期/2025年1月/计算机工程

一种支持安全联邦学习的主动保护模型水印框架

陈先意1-²，丁思哲2*，王康²，闫雷鸣²，付章杰1-2

（1.南京信息工程大学数字取证教育部工程研究中心，江苏南京210044；

2.南京信息工程大学计算机学院网络空间安全学院，江苏南京210044)

摘要：联邦学习作为一种新型的深度学习范式，允许多个参与方在客户端本地共同训练模型，极大地保护了用户

的数据隐私，得到了广泛关注和研究。然而，联邦学习作为一种分布式学习方式，极易遭受非法复制、恶意分发及客

户端懒惰不作为等攻击。针对上述问题，提出一种支持安全联邦学习的主动保护模型水印框架。首先，设计了一个

基于护照层水印的个性化参数聚合方法，在解决水印冲突问题的同时防止懒惰客户端盗窃模型；其次,设计了一个

基于向量承诺的全局水印聚合方法，有效抵御了恶意攻击者伪造私有水印进行歧义攻击。实验结果表明，与当前最

好的FedIPR相比，所提方法具有更高的水印容量，可以支持更大型的联邦学习系统；在差分隐私、客户端选择等安

全联邦学习策略下能保持近100%的水印提取率，在遭遇微调、剪枝等攻击时也能保持98%以上的水印提取率。

关键词：版权保护；联邦学习；向量承诺；歧义攻击；懒惰客户端

中图分类号：TP391文献标志码：AD0l:10.19678/j.issn.1000-3428.0068349

AnWatermarkingFrameworkofActiveProtectionModel

forSecureFederatedLearning

CHENXianyil”,DINGSizhe,WANGKang”,YANLeiming,FUZhangje-?

(1.EngineeringResearchCenterofDigitalForensics,MinistryofEducation,

NanjingUniversityofInformationScienceandTechnology,Nanjing210044,Jiangsu,China;

2.SchoolofComputerScience,SchoolofCyberScienceandEngineering,

NanjingUniversityofInformationScienceandTechnology,Nanjing210044,Jiangsu,China)

[Abstract]Asanewparadigmindeeplearning,federatedlearningallowsmultiplepartiestojointlytraindeeplearning

modelswhileensuringthatdataremainsontheclientslocaldevices.Thisapproachhasgreatlyprotecteduserdataprivacy

andhasgainedwidespreadattentionfromresearchers.However,asadistributedlearningmethod,federatedlearningis

highlyvulnerabletoillegalcopying,maliciousdistribution,andfreeriderattacks.Inresponsetothesesecurityissuesin

federatedlearning,thisstudyproposesanactivemodelwatermarkingframeworkfors