联邦学习（FL）允许多个客户端协同训练机器学习模型，同时将数据保留在本地，从而提升隐私保护。然而，FL训练过程中交换的梯度仍易受到梯度反转攻击（GIA）的威胁，攻击者可以重建客户端本地数据，破坏FL的隐私承诺。GIA可由被动或主动的服务器发起。主动服务器会操纵全局模型以促进数据重建，但早期主动GIA可被客户端检测，限制了其实战应用。近期出现的新型主动GIA声称比以前的方法更隐蔽。本文首次对这些主张进行全面分析，研究了四种最新的GIA。作者提出了新颖的轻量级客户端检测技术，基于统计上不可能的权重结构以及异常的损失和梯度动态。在多种配置下的广泛评估表明，所提出的方法使客户端能够在不修改FL训练协议的情况下有效检测主动GIA。该研究为FL隐私安全提供了重要检测手段，适合隐私保护研究人员和FL系统开发者阅读。