Mitigating Poisoning Attack Coalitions in FL: A Non-Linear Personalized Approach
Notice bibliographique
Résumé
Federated learning (FL) was introduced to mitigate security risks in traditional machine learning (ML) and deep learning (DL), particularly concerning data privacy (DP), through its decentralized architecture. However, FL remains susceptible to cyber-security threats. Such risks arise when several legitimate client nodes are transformed into a zombie network. These compromised nodes can launch large-scale attacks that affect the confidentiality, integrity, and availability (CIA) of the FL network, ultimately leading to a decline in prediction metrics for legitimate clients. While previous studies have focused on specific, small-scale attacks, none have addressed the impact of large-scale attacks, specifically, an "attack coalition," where over 50% of the network is compromised, and multiple types of attacks occur simultaneously. Many existing studies rely on complex methods such as blockchain or malicious node detection, and only a few have considered the simpler alternative of "personalization," though with limitations. In this paper, we introduce the concept of attack coalition (AC), where malicious client nodes coordinate to undermine the FL system’s performance. We analyze the impact of this AC and propose a personalized FL approach to mitigate its effects. To validate our approach, we use a publicly available dataset measuring nurse stress levels, implemented through a deep neural network (DNN). Our results demonstrate that the AC severely reduces prediction metrics, with accuracy and F1-scores dropping to 18.34% and 18.68%, respectively. By applying our proposed method, these metrics improve significantly, reaching 99.36% and 98.46%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».