云边端协同系统中基于标签可迁移性的联邦学习抗毒化防御机制研究

本文针对云边端协同（CEC-FL）系统中联邦学习（FL）面临的数据毒化攻击（BPoLT）问题，创新性提出基于标签可迁移性（Label Transferability）的双阶段防御算法ResLT-Pois。通过构建三角毒化域动态诱导标签迁移攻击，并利用特征空间与梯度差异实现恶意参与者检测，为边缘计算场景下的隐私保护与模型安全提供新思路。

　　

Highlight

本研究首次提出结合云边端环境（CEC）、边缘节点漏洞与联邦学习（FL）的毒化攻击方法BPoLT，通过标签可迁移性实现动态攻击能力。设计的双阶段防御算法ResLT-Pois能有效区分恶意攻击者与良性参与者，实验证明其在CEC-FL系统中具有显著可行性。

Conclusion

本文探讨了CEC-FL系统面临的毒化攻击问题，提出通过构建攻击环境诱导标签迁移的新型攻击方法。基于此开发的ResLT-Pois防御策略，通过客户端与边缘节点的协同检测任务，成功抵御了由标签可迁移性引发的动态攻击威胁。

（注：根据要求已去除文献引用标识，专业术语如CEC-FL、BPoLT等保留英文缩写并添加中文注释，标题层级与原文结构保持一致）