软件学报

作者：王瑞锦，王金波，张凤荔，李经纬，李增鹏，陈厅

单位：王瑞锦，电子科技大学 信息与软件工程学院, 四川 成都 61005411,王金波，电子科技大学 信息与软件工程学院, 四川 成都 61005402,张凤荔，电子科技大学 信息与软件工程学院, 四川 成都 61005403,李经纬，电子科技大学 计算机科学与工程学院, 四川 成都 61173104,李增鹏，山东大学 网络空间安全学院, 山东 青岛 26623705,陈厅，电子科技大学 计算机科学与工程学院, 四川 成都 61173106

关键词：联邦学习;数据异构;知识蒸馏;特征图中毒攻击;双重防御机制

基金：国家重点研发计划(2022YFB4501200, 2022YFB3304303); 国家自然科学基金(62271128, 61972073, U2333207); 成都市重点研发支撑计划“揭榜挂帅”项目(2022-JB00-00013-GX); 四川省科技计划重点研发项目(2022ZDZX0004, 2023YFG0029, 2023YFG0150, 2022YFG0212, 2021YFS0391); 四川省科技计划“揭榜挂帅”项目(2023YFG0374, 2023YFG0373); 山东省

联邦学习是一种无需用户共享私有数据、以分布式迭代协作训练全局机器学习模型的框架. 目前流行的联邦学习方法FedProto采用抽象类原型(称为特征图)聚合, 优化模型收敛速度和泛化能力. 然而, 该方法未考虑所聚合的特征图的正确性, 而错误的特征图可能导致模型训练失效. 为此, 首先探索针对FedProto的特征图中毒攻击, 论证攻击者只需通过置乱训练数据的标签, 便可将模型的推测准确率至多降低81.72%. 为了抵御上述攻击, 进一步提出双重防御机制, 分别通过全知识蒸馏和特征图甄别排除错误的特征图. 基于真实数据集的实验表明, 防御机制可将受攻击模型的推测准确率提升1–5倍, 且仅增加2%系统运行时间.

来源：2025年第3期

《软件学报》期刊编辑部

查看软件学报杂志2025年第3期