联邦学习双防御:防投毒与梯度泄露 华南理工深北莫成果登顶TMC与IoT

2025年10月29日
news

(图片来自网络)

【新智元导读】在人工智能与物联网(IoT)发展浪潮下,数据隐私与安全难题日益突出。华南理工大学计算机学院与深圳北理莫斯科大学合作,推出FedMSBA与FedMAR两项联邦学习防御技术,分别针对数据投毒攻击与梯度泄露问题,相关研究成果发表于国际顶级期刊IEEE TMC(2025)与IoT(2025),为联邦学习在物联网场景下的安全部署提供重要支撑。

随着联邦学习在物联网系统广泛应用,保障数据隐私同时抵御恶意攻击成为学界与产业关注焦点。针对这一问题,研究团队提出两项防御方案:

FedMSBA:参与方梯度隐私防御

FedMSBA聚焦参与方本地模型梯度隐私保护,采用混合差分隐私机制与逐层感知方法。它基于Rényi差分隐私(RDP),实现逐层隐私预算自适应分配,动态为神经网络层分配隐私预算,保障高风险层更强隐私保护、低风险层更高效训练。通过结合高斯与拉普拉斯噪声机制,结合修正敏感度估计,既减少噪声总量又精准抵御梯度泄露攻击。

实验验证显示,FedMSBA在MNIST、CIFAR-10等多数据集上,能有效降低重构图像清晰度,同时保持模型性能略有提升,资源占用友好。

FedMAR:服务器端防御框架

FedMAR针对服务器端隐私与稳健性设计,采用多阶段聚合与回滚机制。它通过3σ准则甄别恶意参与方,利用回滚策略削弱投毒攻击影响;结合Rényi差分隐私保障服务器端隐私,同时通过聚合中心点与偏差标准检测搭便车攻击,实现鲁棒性与隐私动态平衡。

在复合攻击场景下,FedMAR能保持模型精度,在隐私预算有限时仍有效抵御攻击,为物联网联邦学习安全提供端到端防御方案。

这两项研究成果填补了联邦学习在特定攻击场景下的防御空白,为大规模物联网联邦学习系统安全部署提供理论与实践支撑,标志联邦学习安全研究迈向新阶段。

(声明:该内容经AI精编) 查看原网页

精彩评论(10)

  • 网友10 2025-10-29 07
    保障数据安全是企业发展关键,这类技术成果很宝贵。
  • 网友9 2025-10-29 07
    想了解联邦学习,这种安全防护很有吸引力,能继续关注。
  • 网友8 2025-10-29 07
    现在科技发展快,安全措施也得跟上,这研究很及时。
  • 网友7 2025-10-29 07
    FedMSBA和FedMAR的具体机制很有意思,实践价值高。
  • 网友6 2025-10-29 07
    联邦学习安全提升后,产业应用场景会更广泛。
  • 网友5 2025-10-29 07
    能保护数据安全,特别是家庭物联网设备,太需要了。
  • 网友4 2025-10-29 07
    Rényi差分隐私和多层防御机制很新颖,理论很扎实。
  • 网友3 2025-10-29 07
    这研究对联邦学习落地很重要,能解决实际安全痛点。
  • 网友2 2025-10-29 07
    终于有办法保障数据安全了,以后用物联网更放心。
  • 网友1 2025-10-29 07
    这科技太酷了,联邦学习怎么防攻击,研究很前沿!
查看“联邦学习双防御:防投毒与梯度泄露 华南理工深北莫成果登顶TMC与IoT”相关搜索 >

最新新闻

An unhandled error has occurred. Reload 🗙