在联邦学习中进行后门攻击测试源文件源码

项目介绍：联邦学习环境中的后门攻击与防御研究平台

核心目标

本项目构建了一个前沿的联邦学习安全研究平台，专注于模拟后门攻击在分布式机器学习系统中的植入、传播与防御过程。基于OxfordPets图像数据集和VGG16模型架构，系统实现了可配置化的恶意攻击场景，为联邦学习安全机制提供实证研究基础。

关键技术特性

1. 攻击场景高度可控
• 恶意客户端指定：通过backdoor_paticipation_map参数精确选择发起攻击的客户端（如客户端0-2）

• 攻击强度调节：支持70%的高比例数据污染（backdoorRatio=0.7）

• 多样化触发器：内置像素级触发器（如中心位置[220,220]的红色块攻击）

• 目标定向攻击：强制模型将特定样本错误分类至目标类别（backdoorClass=0）

2. 联邦学习全流程模拟
• 多客户端协同训练（默认5客户端）

• 支持IID/非IID数据划分（Dirichlet分布）

• 集成FedProx防御算法（mu=0.01动态调整）

• 10轮联邦训练迭代（n_rounds=10）

3. 双轨评估体系
评估维度 指标说明 技术实现
模型泛化能力 37分类任务准确率 标准测试集验证
系统鲁棒性 后门触发成功率 专用后门测试集监测
攻击演化分析 训练过程动态追踪 Matplotlib可视化性能曲线


科研价值

• 攻击影响量化：揭示后门攻击在不同数据分布（IID/non-IID）下的传播规律

• 防御机制验证：评估FedProx等算法对恶意模型的抑制效果

• 动态脆弱性分析：通过参与率映射（participation_map）探索客户端动态加入/退出的风险

应用场景

• 安全研究：评估联邦学习框架对抗投毒攻击的鲁棒性

• 防御方案设计：验证模型聚合策略、客户端筛选机制的有效性

• 标准测试平台：提供可复现的攻击向量（触发位置、颜色、目标类别组合）

方法论创新

1. 模块化攻击注入：通过定制BackdoorSet实现训练数据无损污染
2. 双重评估机制：同步跟踪主任务准确率和后门攻击成功率
3. 动态参数调整：在训练中期倍增正则化强度（mu值）以增强防御

该平台通过标准化的实验流程和可视化结果分析，为研究后门攻击在参数服务器、客户端本地更新、模型聚合等关键环节的影响提供完整实证支持，推动联邦学习安全领域的方法创新。