计算机工程

作者：施永辉, 代琪, 陈丽芳, 韩阳

单位：1. 华北理工大学理学院，河北 唐山 0632102. 河北省数据科学与应用重点实验室，河北 唐山 0632103. 华北理工大学学科建设处，河北 唐山 063210

关键词：联邦学习,聚合算法,自然最近邻,鲁棒性,标签翻转

基金：国家自然科学基金面上项目(52074126)

联邦学习框架在保护本地数据隐私的同时，面临着来自攻击者污染客户端数据的挑战，导致全局模型性能下降。目前主流联邦学习框架通常假设客户端本地数据是干净的，但实际情况中攻击者可通过数据污染手段来降低模型的准确性。为此，提出一种基于自然最近邻的联邦聚合算法。与其他传统联邦防御算法不同，该算法为非独立同分布条件下的联邦学习框架，能够防御有目标的攻击。该算法引入自然最近邻的搜索过程，通过此过程赋予模型异常度，有效区分异常模型。选取其中异常度较小的节点参与训练，确保正常节点参与的训练次数远大于恶意节点次数。实验结果表明，在非独立同分布条件下，该算法在标签翻转和后门攻击等有目标攻击的场景下，能保持模型性能稳定，增强了联邦学习框架的鲁棒性。即使受到恶意攻击，该算法能够有效维护全局模型的性能和可靠性，为解决客户端数据污染问题提供了有效途径，为联邦学习框架安全性和稳定性提供新思路。

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