计算机应用

作者：钟琪, 张淑芬, 张镇博, 菅银龙, 景忠瑞

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,投毒攻击,异常检测,多视角模型评估,自适应调整

基金：国家自然科学基金资助项目(U20A20179)

为了解决联邦学习中恶意客户端通过上传恶意更新破坏全局模型可靠性的问题，提出一种面向联邦学习的投毒攻击检测与防御算法FedDyna。首先，设计一种异常客户端检测方案，利用余弦相似度与欧几里得距离的历史标准差初步检测异常更新，并结合多视角模型评估机制进一步检测可疑的客户端；其次，提出一种自适应调整策略，根据权重调整因子逐步降低被判定为异常客户端的参与权重，直至将恶意更新从模型训练过程中剔除。在EMNIST和CIFAR-10数据集上评估FedDyna在不同攻击场景下的防御性能，并与现有的先进防御算法进行对比。实验结果表明，在固定攻击频率的条件下，将FedDyna算法与Scope算法进行效果对比：面对投影梯度下降（PGD）、模型替换（MR）以及PGD+MR这3种攻击方式，FedDyna均取得了最优效果，攻击成功率（ASR）分别降低了1.07和0.53、1.49和1.45、10.55和1.25个百分点；在余弦约束攻击（CCA）攻击的EMNIST数据集下，FedDyna的ASR虽略有下降，但仍取得了次优结果。此外，当在不同攻击者池中与对比算法进行效果评估时，FedDyna的ASR在多数条件下表现最优，其余条件下也处于次优水平。尤为突出的是，在不同攻击强度的场景下，FedDyna的平均全局模型准确率（MA）高达98.5%。可见，FedDyna在不同攻击场景下表现出显著的抗投毒攻击稳健性，且能够有效检测并剔除投毒模型。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期