Chained Attacks on Drone-Based Federated Learning: From Network Disruption to Device Impersonation
本文研究无人机群中基于联邦学习（FL）的边缘智能系统的安全性，提出了一种链式攻击方法，结合网络层拒绝服务（DoS）和凭据冒充。攻击者首先利用802.11去认证攻击强制合法无人机离线，然后使用窃取的凭据冒充已断线的无人机重新加入FL训练。作者
#federated learning
共收录 10 条相关情报。
← 返回所有主题Federated Lightweight Intrusion Detection in Drone Swarms with Knowledge Distillation
该论文针对无人机蜂群网络中的入侵检测问题，提出了一种基于联邦学习（FL）与知识蒸馏（KD）的轻量级入侵检测系统（IDS）。无人机蜂群在监视、灾难响应等关键任务中广泛应用，但其开放通信信道和有限计算资源使其易受网络攻击。传统的机器学习方法需要
Privacy Leakage in Federated Learning in Radiology Reports: A Comparative Evaluation of Tokenizer-Driven Privacy Risks
联邦学习（FL）允许多机构在不共享原始数据的情况下联合训练临床文本模型，但梯度反演可能从共享的模型更新中重建敏感信息。本文系统量化了放射学报告中基于梯度的文本重建风险，并比较了三种分词器（GPT-2、RadBERT、LLaMA-2）对隐私泄
Securing the Future of IoMT in the Post-Quantum Era: An Edge-Native Federated Learning Approach
本文针对医疗物联网（IoMT）设备在资源受限、数据高度敏感以及联邦学习（FL）引入的隐私风险背景下，提出了一种结合后量子密码学（PQC）与边缘原生编排的安全框架。研究首先分析了IoMT面临的三重挑战：传统轻量级密码在量子计算下的脆弱性、FL
A Privacy-Preserving Framework Using Remote Data Science for Inter-Institutional Student Retention Prediction
该论文提出了一种基于远程数据科学（RDS）的隐私保护机器学习（PPML）框架，用于跨机构学生保留率预测。研究利用PySyft平台，设计了一个半气隙架构，包括高侧和低侧服务器，使得来自三所大学的研究人员能够在敏感学生数据上构建预测模型，而无需
Quantifying and Defending against the Privacy Risk in Logit-based Federated Learning
该论文首次系统性地研究了基于logit的联邦学习（FL）中隐藏的隐私风险。传统的参数化FL通过交换模型权重或梯度来保护数据隐私，而新兴的logit-based FL方法则在公共数据上共享模型输出（logits），从而促进模型异构性、降低通信
Q-FE: A Quantum-Native 6G Far-Edge Architecture Securing Industrial IoT Digital Twins via CSIDH-PQC and Asynchronous Federated Learning
该论文提出了一种名为Q-FE的量子原生6G远边缘架构，旨在解决超密集工业物联网（IIoT）数字孪生场景下的安全与延迟挑战。当前架构依赖集中式云或移动边缘计算（MEC）服务器进行数字孪生计算，导致往返延迟过高，且使用易受量子攻击的经典公钥密码
FedRecover: Recovering from Poisoning Attacks in Federated Learning using Historical Information.
联邦学习易受到投毒攻击，恶意客户端通过发送恶意模型更新来破坏全局模型。现有防御主要关注在攻击发生时通过鲁棒聚合或客户端检测来阻止少数恶意客户端，但如何在检测到恶意客户端后高效恢复全局模型仍是一个开放挑战。简单的从头训练方法计算和通信开销巨大
AoI-Guided Client Selection for Robust and Timely Federated Intrusion Detection in Cloud-Edge Security Analytics
该论文研究了在云-边缘安全分析中，联邦学习（FL）用于入侵检测时的客户端选择问题。在生产环境中，由于带宽异构、掉队者和掉线等问题，服务器可能依赖过时的客户端信息，影响检测的时效性和鲁棒性。作者将客户端选择建模为时效感知的系统问题，引入“信息
A Unified Defense Framework Against Membership Inference in Federated Learning via Distillation and Contribution-Aware Aggregation.
本文针对联邦学习中的成员推断攻击提出了一种统一的防御框架。成员推断攻击旨在判断某个特定数据样本是否被用于训练模型，严重威胁用户隐私。现有防御方法存在计算开销大或可用性-隐私权衡不佳的问题。作者提出通过知识蒸馏和贡献感知聚合来协同防御：首先，