本文研究了针对键值数据本地差分隐私（LDP）协议的投毒攻击问题。在LDP协议中，不可信的服务器通过收集用户扰动后的数据来执行隐私保护的联邦分析，而无需信任用户。已有的LDP协议覆盖分类、数值和键值等数据类型，但由于分布式设置，攻击者可以通过伪造用户并发送精心构造的虚假数据来操纵服务器的聚合结果，即投毒攻击。以往的研究主要针对简单数据类型的LDP协议，对键值数据LDP协议的安全性尚未深入探索。本文首次系统性地提出了针对键值数据LDP协议的投毒攻击。在此类协议中，服务器同时估计每个键的频率和均值，每个用户持有一组键值对。攻击者的目标是同时最大化攻击者选定目标键的频率和均值。由于涉及两个优化目标，作者将攻击建模为双目标优化问题，并提出一种近似求解方法，从而确定伪造用户应向服务器发送的最优虚假数据。作者从理论和实验两方面验证了攻击对三种代表性的键值数据LDP协议的有效性，并探讨了两种防御方法。实验表明，这些防御在某些场景下有效，但在其他场景下效果有限。研究结果强调了针对此类投毒攻击的新型防御机制的迫切需求。本文适合关注隐私计算、联邦学习安全性以及对抗性机器学习的研究人员和蓝队安全工程师阅读。