针对联邦学习系统的数据中毒攻击

本代码用于复现 ESORICS 2020 论文：《针对联邦学习系统的数据中毒攻击》。

安装步骤

1. 创建一个 Python 3.7 的虚拟环境。
2. 在虚拟环境中安装依赖（使用命令：pip install -r requirements.pip）。
3. 如果您打算使用防御方法，您需要安装 matplotlib。这不是运行实验的必需依赖，并且没有包含在 requirements 文件中。

执行说明

使用本代码库，您可以复现 ESORICS 论文中展示的所有实验结果。以下是执行不同实验所需的步骤。

环境准备

在运行任何实验之前，您需要先完成以下设置：

1. 运行 python3 generate_data_distribution.py：该命令会下载数据集，并生成一个静态的数据分布，用于确保实验的一致性。
2. 运行 python3 generate_default_models.py：该命令会生成论文中使用的所有模型实例，并将其保存到磁盘。

一般信息

一些提示和常规信息：

• 大多数超参数可以在 federated_learning/arguments.py 文件中设置。
• 大部分具体的实验设置都位于相应的实验文件中（见下文各实验部分）。

实验 - 标签翻转攻击可行性

运行标签翻转攻击：python3 label_flipping_attack.py

实验 - 标签翻转攻击中的攻击时机

运行攻击时机实验：python3 attack_timing.py

实验 - 恶意参与者可用性

运行恶意参与者可用性攻击：python3 malicious_participant_availability.py

实验 - 防御标签翻转攻击

运行防御方法：python3 defense.py

实验超参数

以下是针对不同数据集（CIFAR10 和 Fashion-MNIST）使用默认 CNN 模型时推荐的超参数：

对于 CIFAR10 数据集：

• 批量大小：10
• 学习率（LR）：0.01
• 训练轮数：200
• 动量：0.5
• 学习率调度器步长：50
• 学习率调度器衰减系数：0.5
• 最小学习率：1e-10

对于 Fashion-MNIST 数据集：

• 批量大小：4
• 学习率（LR）：0.001
• 训练轮数：200
• 动量：0.9
• 学习率调度器步长：10
• 学习率调度器衰减系数：0.1
• 最小学习率：1e-10

引用

如果您使用此代码，请引用以下论文：

@ARTICLE{2020arXiv200708432T,
       author = {{Tolpegin}, Vale and {Truex}, Stacey and {Emre Gursoy}, Mehmet and
         {Liu}, Ling},
        title = "{Data Poisoning Attacks Against Federated Learning Systems}",
      journal = {arXiv e-prints},
     keywords = {Computer Science - Machine Learning, Computer Science - Cryptography and Security, Statistics - Machine Learning},
         year = 2020,
        month = jul,
          eid = {arXiv:2007.08432},
        pages = {arXiv:2007.08432},
archivePrefix = {arXiv},
       eprint = {2007.08432},
 primaryClass = {cs.LG},
       adsurl = {https://ui.adsabs.harvard.edu/abs/2020arXiv200708432T},
      adsnote = {Provided by the SAO/NASA Astrophysics Data System}
}