基于联邦学习的无线流量预测中的攻击
原文约300字，阅读约需1分钟。发表于：。通过引入一种新的虚假流量注入（FTI）攻击和一种名为全局局部不一致检测（GLID）的防御机制，对分布式的无线流量预测系统中的安全性进行了充分的实验评估，并在现实世界的无线流量数据集上取得了显著优于现有基线的效果。
本研究探讨了分布式学习系统中的毒化攻击和防御交互，特别是在使用深度学习进行无线信号分类的下一代通信（NextG）的背景下。通过利用地理分散的客户端，全局模型的训练在无需客户端交换数据样本的情况下进行，用于保护现有用户识别，促进频谱共享。为了解决恶意客户端的存在，本文采用主动防御机制，对参与分布式学习系统的客户端进行准入或拒绝决策。结果提供了保护NextG通信中分布式学习系统免受毒化攻击的新型操作模式洞察。
