计算机工程

作者：姚玉鹏, 魏立斐, 张蕾

单位：1. 上海海洋大学信息学院，上海 2013062. 上海海事大学信息工程学院，上海 201306

关键词：联邦学习,差分隐私,同态加密,隐私保护,投毒攻击

基金：国家自然科学基金面上项目(61972241); 上海市自然科学基金面上项目(22ZR1427100); 上海市软科学研究项目(23692106700)

联邦学习实现了各参与方在不泄露原始数据的前提下联合建模，有效解决了分布式数据隐私的问题，但随着研究的深入，联邦学习还存在隐私推断攻击或恶意客户端投毒攻击等安全问题。现有联邦学习改进方案大多仅从隐私保护或抗投毒攻击方面进行改进，不能兼顾两种攻击。为了同时解决联邦学习中的推断攻击和投毒攻击，提出一个隐私保护的抗投毒攻击联邦学习（APFL）方案。设计一个模型检测算法，使用差分隐私（DP）技术，根据模型间余弦相似度赋予各客户端相应聚合权重，使用同态加密技术将本地模型加权聚合。在MNIST和CIFAR10数据集上的实验结果表明，APFL在保证数据隐私的同时能有效筛选恶意模型，抵御投毒攻击，当投毒比例不超过50%时，APFL模型性能与无投毒攻击环境下联邦平均(FedAvg)方案一致，模型测试错误率较Krum方案平均降低19%，较FLTrust方案平均降低9%。

来源：2025年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第6期