计算机应用

作者：任志强, 陈学斌

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 063010；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,拜占庭攻击,异常检测,计算开销,通信效率

基金：国家自然科学基金资助项目(U20A20179)

联邦学习（FL）已成为一种在分散的边缘设备上训练机器学习模型并保护数据隐私的有前景的方法。然而，FL系统容易受到拜占庭攻击的影响，即恶意客户端可能会破坏全局模型的完整性。此外，现有的部分防御方法存在较大的计算开销。针对上述问题，提出一种自适应防御机制FedAud，该机制旨在减小服务端的计算开销，同时确保FL系统对拜占庭攻击的鲁棒性。FedAud结合异常检测模块和信誉机制，并基于历史模型更新动态调整防御策略。使用MNIST和CIFAR-10数据集在不同的攻击场景和防御方法下进行评估的实验结果表明，FedAud能有效降低防御方法的执行频率，从而减轻服务器的计算负担，并提高FL的效率，特别是在防御方法计算开销大或训练周期较长的情况下。此外，FedAud能保持模型的准确性，并在某些情况下提升模型的性能，验证了它在实际FL部署中的有效性。

来源：2025年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第2期