Trust-Based Framework for Securing Decentralized Federated Learning against Malicious Clients
Notice bibliographique
Résumé
Decentralized federated learning (DFL) enables collaborative model training across distributed clients without relying on a central server. However, this paradigm is highly vulnerable to poisoning attacks, especially when a large proportion of participating clients behave maliciously. In this paper, we propose a robust defense framework that empowers each client to detect and mitigate the influence of malicious peers. Our approach combines local gradient-based anomaly detection using DBSCAN with an uncertainty-aware trust aggregation mechanism grounded in Dempster–Shafer theory. This enables clients to assign trust scores to their neighbors and dynamically perform trust-weighted model aggregation, integrating only reliable updates. Our experiments on two standard benchmark datasets, NSL-KDD and ToN_IoT, show that our method maintains over 93% and 83% accuracy, respectively, even when 70% of clients are adversarial under coordinated label-flipping attacks. These results highlight the robustness and effectiveness of our framework in highly adversarial DFL environments, demonstrating its ability to maintain reliable performance even when the majority of clients behave maliciously.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».