计算机工程与科学

作者：朱海, 缪祥华, 郭施帆, 覃叶贵, 尚游

单位：1.昆明理工大学信息工程与自动化学院,云南 昆明 650504；2.云南省计算机技术应用重点实验室,云南 昆明 650504

关键词：联邦学习,拜占庭攻击,标签翻转攻击,单类支持向量机,

基金：云南省高层次科技人才及创新团队选拔专项(202405AS350001)

联邦学习允许用户在不用上传数据的情况下参加模型训练,因此在学术界备受关注。然而,联邦学习也面临着来自恶意参与方的各种安全挑战,例如拜占庭攻击和标签翻转攻击。现有的防御算法在数据分布不均匀时防御效果会大打折扣。针对上述问题,提出一种基于单类支持向量机的联邦学习安全聚合算法。该算法通过单类支持向量机提取合适的特征参数,确定一个阈值，将正常数据和异常数据分开。由于其构建最优超平面的能力能有效区分正常数据和异常数据,而且在不同数据下能选择更适合的阈值,因此具有较强的泛化能力和鲁棒性。通过一系列攻防实验,并使用4种不同的防御算法进行比较，实验结果表明,在不同比例的恶意客户端的环境中,无论数据分布均匀或不均匀,所提算法都能有效防御攻击。

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