arXiv cs.AI· Jinsheng Yuan, Yuhang Hao, Weisi Guo, Yun Wu, Chongyan Gu·· 12 小时前AI 评分34
利用联邦学习客户端对抗性观测实施远程 Rowhammer 攻击
Remote Rowhammer Attack using Adversarial Observations on Federated Learning Clients
AI 导读
研究者首次展示可通过操纵联邦学习客户端的传感器观测，在无服务器后门权限的情况下远程触发 Rowhammer 攻击，使服务器 DRAM 发生比特翻转。该强化学习攻击者在 ASR 与 CIFAR10 分类的稀疏更新联邦学习系统中，对目标服务器模型达到约 70% 的重复更新率（RUR）。此类对抗性观测可能干扰学习过程，或意外造成权限提升。
正文 · AI 翻译
摘要：联邦学习（FL）有潜力在大量并行代理之间同时进行全局学习，使新兴的 AI 系统能够在人口统计上多样化的数据上进行训练。实现高效的关键在于 FL 能够在中央服务器执行稀疏梯度更新和远程直接内存访问。FL 安全领域的大部分研究聚焦于保护边缘客户端的数据隐私，或客户端与服务器之间通信信道中的数据隐私。针对服务器的面向客户端的攻击研究较少，因为人们假设大量客户端集合能够提供韧性。在此，我们首次表明，通过攻击客户端，导致服务器中重复的聚类内存更新，我们可以远程发起 rowhammer 攻击，通过诱导位翻转来破坏服务器内存。一个无法后门访问服务器的强化学习（RL）攻击者可以通过操纵客户端的传感器观测，学习如何最大化服务器的重复聚类内存更新。我们使用具有稀疏更新的 FL 系统展示了该攻击的可行性，任务包括自动语音识别（ASR）以及 CIFAR10 分类，我们的对抗攻击代理可以在目标服务器模型中实现约 70% 的重复更新率（RUR），有效诱导服务器 DRAM 上的位翻转。其安全影响在于，此类对抗性观测可能导致学习中断，或可能无意中导致权限提升，这可以为 FL 和硬件设计中实用缓解策略的进一步研究铺平道路。
| 评论： | 发表于 IEEE Transactions on Dependable and Secure Computing |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2505.06335 [cs.LG] |
| （或此版本的 arXiv:2505.06335v3 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2505.06335 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1109/tdsc.2026.3718384
链接到相关资源的 DOI |
提交历史
来自：Jinsheng Yuan [查看电子邮件]
[v1]
2025 年 5 月 9 日星期五 17:27:17 UTC（962 KB）
[v2]
2026 年 4 月 21 日星期二 09:43:38 UTC（2,439 KB）
[v3]
2026 年 10 月 21 日星期三 10:52:53 UTC（3,698 KB）
来源：arXiv cs.AI · arxiv.org