基于触发器动态变换的联邦学习后门攻击方法OA

针对联邦学习(Federated Learning,FL)后门攻击中固定触发器易被检测、攻击停止后效果快速衰减的问题,本文提出一种基于触发器动态变换的后门攻击方法。该方法在联邦训练过程中动态调整触发器的位置、大小与样式,在数据预处理阶段依据历史攻击成功率选择触发器状态,并在适应阶段引入监督对比学习,增强中毒样本与目标类别表征的一致性,以减缓灾难性遗忘。基于MNIST、CIFAR-10和Tiny-ImageNet数据集开展实验,并在多种聚合算法和五类典型防御机制下评估攻击效果、隐蔽性与持续性。结果表明,该方法在不同防御场景中的攻击成功率均超过95%;在CIFAR-10场景中,停止注入1000轮后攻击成功率仍保持在90%左右。研究表明,动态触发器选择与监督对比学习能够提高联邦学习后门攻击的持久性和适应性。