鲁棒聚合联邦学习

抗恶意攻击

采用混合隐私保护与分阶段聚合策略，即使存在恶意服务器也能保持高精度与强鲁棒性。

Wentao, Liu · Xiaolong, Xu · Li, Dejuan · 齐连永 · 代飞 · 窦万春 · Ni, Qiang

IEEE Internet of Things Journal 2023

技术优势

更新不可反推

混合隐私保护机制确保聚合模型不会泄露单个边缘服务器的梯度方向，恶意服务器无法从中反推出其他参与方的数据特征。

恶意者被剔除

分阶段聚合策略结合自动编码器异常检测与多轮匿名信任验证，动态评估每个服务器的信任分数，从而识别并排除恶意参与者。

精度不受影响

在多种攻击下，FL-RAEC 依然保持高模型精度，说明鲁棒性提升并非以牺牲学习性能为代价。

应用场景

• 边缘智能：边缘服务器直接参与联邦学习聚合，无需将数据上传云端即可获得全局模型，降低通信开销。
• 隐私保护机器学习：混合隐私保护机制防止模型更新泄露用户数据特征，满足隐私合规要求。
• 分布式学习：分阶段聚合策略协调多个边缘服务器协作训练模型，抵御恶意破坏，提高鲁棒性。
• 安全聚合：匿名信任验证与自动编码器检测结合，确保聚合过程安全可靠，防止投毒攻击。