arXiv 论文提出车联网联邦学习中的干净标签投毒攻防博弈框架
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇提交至 arXiv 的论文研究车联网联邦学习场景下干净标签投毒攻击与防御的相互作用。作者把用于异常检测的基本安全消息（BSM）分类建模为动态拓扑车联网上的分布式学习问题，并提出一种特征空间干净标签攻击：把良性样本朝恶意特征极端方向扰动，在保留标签的同时降低类别可分性。针对该攻击，论文提出特征一致性重标注防御，用于检测并重标注可疑样本。作者还建立博弈论框架刻画攻防交互，并依据攻击有效性与成本参数给出均衡策略。结果显示，攻击效果随被攻陷节点数量增加而扩大，而所提防御在不降低干净样本准确率的情况下把攻击成功率维持在低位，并使均衡区域向不利于攻击的方向移动。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载攻击如何构造
论文把车联网中的基本安全消息分类任务视为异常检测的一环，并在动态拓扑条件下用联邦学习做分布式训练。作者提出的干净标签攻击发生在特征空间：不修改样本标签，而是把良性样本朝恶意特征极端方向推动。这样标签仍然正确，但类别之间的可分性被削弱，检测模型更难区分正常与异常。论文指出，这种攻击的效果会随被攻陷节点数量增加而扩大，说明在联邦学习多参与方结构下，受控节点越多，投毒影响越明显。
防御与博弈建模
为应对上述攻击，作者给出特征一致性重标注防御：在训练流程中识别特征表现可疑的样本，并对其标签重新标注，从而削弱被扰动样本对全局模型的影响。论文进一步用博弈论框架描述攻防双方的策略选择，把攻击有效性与成本参数作为刻画均衡的依据。该框架不只评估单次攻击或单次防御，而是给出双方在成本约束下的均衡区域，便于比较不同强度攻击与防御配置下的结果。
实验结果指向
结果部分给出两点结论：攻击随被攻陷节点增多而扩展；所提防御在不损害干净样本准确率的前提下，把攻击成功率保持在较低水平，并使博弈均衡区域向攻击方不利的方向偏移。这意味着防御并非以牺牲正常分类性能为代价，而是在维持原有精度的同时压低攻击收益。论文将工作归类于网络与互联网架构，并交叉涉及人工智能、分布式与并行计算、机器学习及信号处理等方向，说明该问题横跨车联网通信与联邦学习安全两个领域。
为什么值得看
车联网联邦学习的投毒攻防是安全落地关键，该文给出攻击构造、防御手段与博弈均衡的完整分析。
安全论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。