本文提出了一种联邦学习场景下的后门攻击方法，对后门模型添加针对性的扰动，使其越过联邦学习后门防御。首先检测模型更新时不容易变化的神经元，对其添加扰动，监测后门攻击效果以便及时改进。其次，在全连接层添加扰动，再通过精心设计的loss函数进行约束，将后门模型伪装成良性模型。最后，上传和良性模型偏差更大的诱饵模型，欺骗防御机制将真正的后门模型错误判断为良性模型。"Li, Haoyang, et al. "3DFed: Adaptive and Extensible Framework for Covert Backdoor Attack in Federated Learning." 2023 IEEE Symposium on Security and Privacy (SP). IEEE, 2023."
本文的优点在于实验全面，考虑了目前大部分的联邦学习后门防御方法，并且对后门模型扰动和约束部分讲解的很清楚，还举例说明了为何能够越过防御方法。
本文的缺点在于调整攻击的神经元监测点目前只能在FedAvg这种联邦聚合方法上有效。其次，本文为了越过L2范式的剪枝，提出使用和原数据更接近的样本表示作为后门，但是这也会导致后门更容易被发现。
2023年8月29日
- Extensible Framework Federated Adaptive Backdoorextensible framework federated adaptive backdoor extensible authentication extensible protocol身份 federated 固件 桥梁extensible interface adaptive detectability safelearning aggregation federated autoencoder compression convergence federated federated learning 005