计算机工程

作者：陈先意, 丁思哲, 王康, 闫雷鸣, 付章杰

单位：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 2100442. 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

关键词：版权保护,联邦学习,向量承诺,歧义攻击,懒惰客户端

基金：国家重点研发计划(2021YFB2700900); 国家自然科学基金(62172232); 国家自然科学基金(62172233); 江苏省杰出青年基金(BK20200039)

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。

来源：2025年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第1期