arXiv cs.AI· Manoj Twarakavi, Venkata Sriram Siddhardh Nadendla·· 11 小时前AI 评分26
StratFL：用策略性联邦学习对抗隐蔽模型投毒攻击
StratFL: Countering Covert Model Poisoning Attacks with Strategic Federated Learning
AI 导读
StratFL 是一种针对联邦学习中隐蔽模型投毒（CMP）攻击的对抗搜索算法，将服务器与攻击者的交互建模为双方均无法观测对方动作的不完美重复博弈，并为服务器和攻击者分别设计了信念更新算法。在 MNIST 和 CIFAR-10 上的实验显示，StratFL 相比现有最优方法准确率提升 10%，并验证了信念更新算法在不同安全场景下的收敛性。
正文 · AI 翻译
摘要：高级持续性威胁（APT）是联邦学习（FL）在医疗、金融等关键领域部署中的主要隐患。传统防御机制因其间歇性攻击行为而无法遏制 APT。本文针对一种特定类型的 APT——隐蔽模型投毒（CMP）展开研究，其中攻击者以隐蔽方式间歇性地注入被投毒的模型更新。FL 服务器与 CMP 攻击者之间的交互被建模为不完全重复博弈，双方均无法观测对方的行动。本文设计了一种名为 StratFL 的新型对抗搜索算法，并在服务器端和攻击者端分别提出了新颖的信念更新算法。实验使用 MNIST 和 CIFAR-10 数据集，以评估并比较 StratFL 与最先进方法的性能。在各种安全场景下，信念更新算法的经验收敛性得到了验证。同时，研究发现 StratFL 相比最先进方法实现了 10% 的准确率提升。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算机科学与博弈论（cs.GT） |
| 引用为： | arXiv:2610.22626 [cs.CR] |
| （或 arXiv:2610.22626v1 [cs.CR] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.22626 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Manoj Twarakavi [查看邮箱]
[v1]
2026年10月15日 星期四 20:27:44 UTC（162 KB）
来源：arXiv cs.AI · arxiv.org