融合深度自动编码器的联邦学习恶意节点检测方案

摘要

联邦学习使多个客户端节点能够在保护数据隐私的基础上协作训练全局模型，但中心服务器无法控制各节点的行为，恶意节点可能会上传错误的梯度更新，损害全局模型。针对上述问题，提出了一个融合深度自动编码器的联邦学习恶意节点检测方案FedDA,以提高联邦学习系统在面对恶意行为时的防御能力。该方案通过分析本地模型输出层的梯度信息识别恶意节点，结合深度自动编码器进行数据特征提取、数据解耦和数据降维；基于马氏距离构建联邦聚合算法，抑制恶意节点产生的破坏。实验结果表明，FedDA在MNIST和CIFAR-10数据集上的表现优于Mkrum等防御方法，防御成功率最高提升可达19.9%。同时，FedDA与FedAvg的全局模型准确率接近。FedDA在有效防范恶意行为的同时，保持了全局模型的训练效果，适用于广泛的联邦学习场景。

关键词

联邦学习 / 深度自动编码器 / 马氏距离 / 检测方案 / 聚合算法