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。

RumourDetectClass：基于 RoBERTa 的自动文本谣言检测工具​​ ​​项目概要：​​ RumourDetectClass 是一个专为识别社交媒体和网络文本中潜在谣言而设计的实用工具类。其核心采用由 Cardiff University NLP 团队开发的预训练语言模型 cardiffnlp/twitter-roberta-base（RoBERTa 架构），该模型在海量推特数据上进行预训练，并针对谣言检测任务进行了特定优化，具备优秀的上下文理解和语义特征捕捉能力。 ​​核心功能：​​ 该工具类提供了一个简洁有效的文本分类接口（classify.py）。用户只需按照项目文档指引，向该接口传入待检测的文本字符串 [text]，工具即可利用预训练模型进行深层语义分析。输出结果为简明易读的整数值 [int]：通常 0 代表“非谣言”（真实或常规信息），1 代表“疑似谣言”（需要进一步核查）。 ​​核心优势与特点：​​ ​​先进模型基础：​​ 直接利用 Twitter 领域顶尖的预训练模型 twitter-roberta-base，起点高、泛化能力强。 ​​开箱即用：​​ 只需简单调用（classify.py），无需用户深入了解模型细节即可获得初步判断。 ​​高效简洁：​​ 输入输出格式 (文本 -> 整数) 极其清晰，便于集成到其他自动化流程或应用程序中。 ​​针对性优化：​​ 模型底层特别针对推特（即类似社交媒体）文本风格和谣言检测任务进行了训练，相较于通用模型更具优势。 ​​使用场景：​​ 本工具非常适合需要快速筛检社交媒体信息流、用户评论、新闻片段或在线讨论，以初步标识高风险谣言的平台开发者、内容审核人员或信息研究分析人员，作为信息真实性辅助判断的第一步。