ترجمه فارسی مقاله ارزیابی امنیتی یادگیری عمیق فدرال سلسله مراتبی

چکیده

Hierarchical federated learning (HFL) is a promising distributed deep learning model training paradigm, but it has crucial security concerns arising from adversarial attacks. This research investigates and assesses the security of HFL using a novel methodology by focusing on its resilience against adversarial attacks inference-time and training-time. Through a series of extensive experiments across diverse datasets and attack scenarios, we uncover that HFL demonstrates robustness against untargeted training-time attacks due to its hierarchical structure. However, targeted attacks, particularly backdoor attacks, exploit this architecture, especially when malicious clients are positioned in the overlapping coverage areas of edge servers. Consequently, HFL shows a dual nature in its resilience, showcasing its capability to recover from attacks thanks to its hierarchical aggregation that strengthens its suitability for adversarial training, thereby reinforcing its resistance against inference-time attacks. These insights underscore the necessity for balanced security strategies in HFL systems, leveraging their inherent strengths while effectively mitigating vulnerabilities.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدراسیون سلسله مراتبی (HFL) یک الگوی آموزش مدل یادگیری عمیق توزیع شده است ، اما نگرانی های امنیتی اساسی ناشی از حملات مخالف دارد.این تحقیق امنیت HFL را با استفاده از یک روش جدید با تمرکز بر مقاومت آن در برابر حملات مخالف استنباط زمان و زمان آموزش بررسی و ارزیابی می کند.از طریق مجموعه ای از آزمایشات گسترده در مجموعه داده های متنوع و سناریوهای حمله ، ما کشف می کنیم که HFL به دلیل ساختار سلسله مراتبی آن ، استحکام را در برابر حملات زمان بدون هدف آموزش نشان می دهد.با این حال ، حملات هدفمند ، به ویژه حملات پشتی ، از این معماری بهره برداری می کنند ، به ویژه هنگامی که مشتری های مخرب در مناطق پوشش همپوشانی سرورهای لبه قرار می گیرند.در نتیجه ، HFL ماهیت دوگانه ای را در مقاومت خود نشان می دهد ، و توانایی خود را برای بهبودی از حملات به لطف تجمع سلسله مراتبی خود نشان می دهد که باعث تقویت مناسب بودن آن برای تمرینات مخالف می شود و از این طریق مقاومت خود را در برابر حملات زمان استنباط تقویت می کند.این بینش ها بر ضرورت استراتژی های امنیتی متعادل در سیستم های HFL تأکید می کنند و از نقاط قوت ذاتی آنها استفاده می کنند و در عین حال به طور موثری آسیب پذیری ها را کاهش می دهند.