计算机工程与科学

作者：任志强, 陈学斌, 张宏扬

单位：1.华北理工大学理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室华北理工大学，河北 唐山 063210；3.唐山市数据科学重点实验室华北理工大学，河北 唐山 063210

关键词：联邦学习,恶意模型,模型可用性,模型隐私性,防御方法,

基金：国家自然科学基金(U20A20179)

联邦学习是一种解决机器学习中数据共享和隐私保护问题的技术。然而，联邦学习系统面临着模型可用性和模型隐私性这2方面的安全隐患。此外，目前针对这2类安全隐患的防御方法之间并不能兼容。针对这些问题，从兼顾模型可用性与模型隐私性的角度出发，提出了一种名为MinRS的防御方法，该方法由安全访问方案和选择算法组成，能在不影响模型隐私性的前提下防御恶意模型攻击，实现安全的模型聚合。实验结果表明，MinRS在保护模型隐私性的前提下，成功防御了3种不同攻击策略生成的恶意模型，并且几乎没有对模型的性能造成负面影响。

来源：2025年第11期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第11期