面向联邦学习的模型投毒攻击检测与拜占庭容错鲁棒聚合系统设计.docxVIP

  • 1
  • 0
  • 约1.23万字
  • 约 18页
  • 2026-11-19 发布于北京
  • 举报

面向联邦学习的模型投毒攻击检测与拜占庭容错鲁棒聚合系统设计.docx

PAGE2

面向联邦学习的模型投毒攻击检测与拜占庭容错鲁棒聚合系统设计

摘要

联邦学习通过分布式训练实现隐私保护,但其安全脆弱性日益突出,模型投毒攻击可严重破坏全局模型性能。本文设计并实现了一套融合异常检测与鲁棒聚合的防御系统,旨在不损失原始用户隐私的前提下,有效识别并抑制恶意参与方。

系统核心方案包括:基于本地模型更新梯度的多维度距离分析,构建自适应阈值投毒检测机制;提出一种加权中位数与修剪均值结合的拜占庭容错聚合算法,能够在恶意节点比例低于50%时确保全局模型收敛。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路。第一章分析联邦学习投毒攻击的现状与挑战;第二章介绍联邦学习框架、距离度量与拜占庭聚合等关键技术;第三章定义系统功能与非功能需求;第四章给出分层架构与模块交互设计;第五章详述梯度异常检测与鲁棒聚合算法的流程与伪代码;第六章展示核心功能实现与难点解决;第七章通过功能与性能测试验证系统有效性;第八章总结工作并展望未来方向。

核心创新点在于:将余弦相似度与欧氏距离联合作为检测指标,引入动态阈值调整策略,并设计了一种可证明收敛的组合式聚合算法,有效提升了检测准确率与模型鲁棒性。

第一章绪论

1.1研究背景

联邦学习允许多个参与方在不共享原始数据的情况下协同训练模型,已成为隐私保护机器学习的重要范式。然而,其分布式特性也为攻击者提供了隐蔽的投毒途径。

文档评论(0)

1亿VIP精品文档

相关文档