联邦学习（Federated Learning, FL）允许多个机构在不共享原始数据的情况下协作训练视频异常检测模型，但服务器端对客户端训练过程的可见性有限，使得被攻陷的客户端能够通过恶意模型更新注入后门。现有攻击通常依赖显式、高强度的触发器，容易被检测或影响模型在正常场景下的性能。本文提出 STAIN-FL，一种隐蔽的、基于上下文触发器的定向后门攻击注入框架。其核心创新在于利用监控视频中天然存在的场景条件——低光照、室内环境和人群密度——作为上下文触发器，这些条件不引人注目且难以被防御方察觉。STAIN-FL 采用两种关键技术：一是“异常到正常”（anomaly-to-benign）的标签操纵，即把异常样本的标签改为正常，使模型学习到“在特定上下文下，异常行为应被判定为正常”；二是梯度掩蔽（gradient masking），仅更新模型参数中变化最小的坐标，从而在保持干净数据精度几乎不变的同时，诱导模型对带触发条件的样本进行错误分类。作者在 UCF-Crime 数据集上使用 1024 维 I3D 特征，构建了一个非独立同分布（non-IID）的四客户端多机构联邦学习场景，对比了 FedAvg 和 FedProx 两种聚合算法，并在稀疏攻击（sparse attack）和连续攻击（continuous attack）两种模式下评估。实验结果表明，稀疏攻击具有低可检测性，且能达到操作上显著的效果：平均干净精度下降低于 2%，但在 FedAvg 下峰值后门精度达 56.7%，在 FedProx 下达 54.2%，即超过一半的带触发器异常样本被错误分类为正常。更关键的是，在 FedAvg 下，稀疏后门在攻击后平均持续 336 轮仍保持高于 25% 的后门精度阈值，显示其长期持续性风险。该研究揭示了联邦视频监控系统中上下文触发攻击的隐蔽性与持久性威胁，为设计更鲁棒的联邦学习聚合算法和防御机制提供了重要参考。适合关注联邦学习安全、对抗性机器学习、视频监控系统隐私保护的研究人员和安全工程师阅读。