← 研踪 PaperTrail软件学报:jos:7725 · 记录 #1
信号节拍攻击: 针对联邦学习场景的成员推理攻击
来源日期 2026-09-02
来源记录日期 2026-09-02
雷达观测 2026-11-05 00:17
摘要
联邦学习(federated learning, FL)作为一种分布式机器学习范式, 在保障用户数据隐私方面展现出一定优势. 然而, 其多方参与机制也为成员推理攻击(membership inference attack, MIA)提供了潜在威胁途径. 当前针对联邦学习场景的MIA研究多基于简化的非共谋威胁模型和有限的成员关系信息, 可能低估了实际环境中的隐私泄露风险. 通过系统分析发现, 在联邦学习过程中, 由于客户端的部分参与训练以及全局模型的聚合机制, 成员样本所对应的度量指标(如损失值)呈现出显著的周期性波动特征, 从而增强了成员与非成员样本之间的可区分性. 这一规律为MIA提供了新的可利用信号. 基于此, 提出针对联邦学习场景的成员推理攻击——信号节拍攻击STMIA (signal tick membership inference attack) , 融合多维度指标的周期性特征, 构建具有强区分能力的攻击信号, 并利用共谋客户端的共享数据构建攻击模型. 实验结果表明, STMIA在AUC与TPR@0.1% FPR等关键评估指标上均优于现有主流方法, 有效揭示了真实联邦学习场景中模型存在的深层隐私泄露风险.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007725
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-09-02 · 最新观测版本
信号节拍攻击: 针对联邦学习场景的成员推理攻击
联邦学习(federated learning, FL)作为一种分布式机器学习范式, 在保障用户数据隐私方面展现出一定优势. 然而, 其多方参与机制也为成员推理攻击(membership inference attack, MIA)提供了潜在威胁途径. 当前针对联邦学习场景的MIA研究多基于简化的非共谋威胁模型和有限的成员关系信息, 可能低估了实际环境中的隐私泄露风险. 通过系统分析发现, 在联邦学习过程中, 由于客户端的部分参与训练以及全局模型的聚合机制, 成员样本所对应的度量指标(如损失值)呈现出显著的周期性波动特征, 从而增强了成员与非成员样本之间的可区分性. 这一规律为MIA提供了新的可利用信号. 基于此, 提出针对联邦学习场景的成员推理攻击——信号节拍攻击STMIA (signal tick membership inference attack) , 融合多维度指标的周期性特征, 构建具有强区分能力的攻击信号, 并利用共谋客户端的共享数据构建攻击模型. 实验结果表明, STMIA在AUC与TPR@0.1% FPR等关键评估指标上均优于现有主流方法, 有效揭示了真实联邦学习场景中模型存在的深层隐私泄露风险.
查看此版本解读 →查看此版本原文 ↗