面向联邦学习的后门攻击多维度特征异常检测与安全聚合鲁棒系统设计.docx

PAGE2

面向联邦学习的后门攻击多维度特征异常检测与安全聚合鲁棒系统设计

摘要

联邦学习作为一种分布式机器学习范式，在保护数据隐私的同时实现模型协同训练。然而，其开放参与的特性使其极易遭受后门攻击，恶意参与者通过上传带有特定后门模式的模型更新，污染全局模型，威胁系统安全。

现有防御方案多聚焦于单一维度的异常检测或简单的梯度裁剪，难以应对日益复杂和隐蔽的后门攻击。本课题旨在设计并实现一个面向联邦学习的后门攻击多维度特征异常检测与安全聚合鲁棒系统。

本设计首先深入分析本地模型梯度与激活值在多维空间中的分布特性，构建基于统计特征与几何特征的异常检测指标体系。其次，设计一种多检测器融合的异常识