arXiv cs.AI· Yalin E. Sagduyu, Tugba Erpek, Nathan Stephenson, Mengran Xue·· 11 小时前AI 评分26
车联网联邦学习中的干净标签投毒攻击与防御博弈
Clean-label Poisoning Attack and Defense Game for Federated Learning in Vehicular Networks
AI 导读
针对车联网联邦学习中的 Basic Safety Message（BSM）异常检测分类，研究提出一种特征空间干净标签投毒攻击：将良性样本向恶意特征极值扰动，在保持标签不变的同时降低类别可分性。
正文 · AI 翻译
摘要：本文研究了车联网中使用联邦学习（FL）时，干净标签投毒攻击与防御之间的交互。用于异常检测的基本安全消息（BSM）分类被建模为动态拓扑车联网上的分布式学习问题。作为对 FL 的关键威胁，本文引入了一种特征空间干净标签攻击，其中良性样本被扰动至恶意特征极值，从而在保持标签不变的同时降低类别可分性。为应对该攻击，提出了一种特征一致性重标记防御，用于检测并重新标记可疑样本。本文构建了博弈论框架来刻画攻防交互，并基于攻击有效性和成本参数刻画均衡策略。结果表明，该攻击可随被攻陷节点数量有效扩展，而所提出的防御在保持干净准确率不下降的同时将攻击成功率维持在较低水平，并使均衡区域向规避攻击的方向偏移。
| 主题： | 网络与互联网架构（cs.NI）；人工智能（cs.AI）；分布式、并行与集群计算（cs.DC）；机器学习（cs.LG）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.32765 [cs.NI] |
| （或本版本的 arXiv:2610.32765v1 [cs.NI]） | |
| https://doi.org/10.48550/arXiv.2610.32765 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tugba Erpek [查看邮箱]
[v1]
2026年10月23日星期五 15:06:14 UTC（84 KB）
来源：arXiv cs.AI · arxiv.org