모의 공격 패턴을 통한 크로스 사일로 연합학습에서의 동적 무임승차 탐지
Dynamic Free-Rider Detection in Cross-Silo Federated Learning via Simulated Attack Patterns
연합학습(FL)은 개인 데이터를 공유하지 않고 로컬 업데이트를 집계함으로써 여러 클라이언트가 글로벌 모델을 협력하여 학습할 수 있도록 지원합니다. 본 연구에서는 각 클라이언트가 독립된 조직을 대표하는 크로스 사일로(cross-silo) 연합학습에 초점을 맞춥니다. 그러나 크로스 사일로 연합학습은 기여하지 않고 글로벌 모델을 획득하기 위해 실제 학습을 수행하지 않은 채 가짜 모델 파라미터를 제출하는 클라이언트인 무임승차자(free-rider) 문제에 직면할 수 있습니다. Chen 등은 모델 파라미터의 가중치 진화 빈도(WEF)를 기반으로 한 무임승차자 탐지 방법을 제안했습니다. 이 탐지 방식은 프록시 데이터셋이나 사전학습이 모두 필요하지 않기 때문에 실용적입니다. 그럼에도 불구하고 초기 라운드에는 정직하게 행동하다가 이후 무임승차로 전환하는 '동적' 무임승차자를 탐지하는 데 어려움을 겪으며, 특히 델타 가중치 공격 및 본 논문에서 새로 제안하는 적응형 WEF 위장 공격과 같은 글로벌 모델 모방 공격 환경에서 더욱 그러합니다. 본 논문에서는 이전에 브로드캐스트된 글로벌 모델을 활용하여 서버 측에서 잠재적인 글로벌 모델 모방 공격의 WEF 패턴을 시뮬레이션하고, 제출된 WEF 패턴이 시뮬레이션된 패턴과 유사한 클라이언트를 식별하는 새로운 탐지 방법인 S2-WEF를 제안합니다. 다양한 무임승차자 공격 전략을 처리하기 위해, S2-WEF는 이러한 시뮬레이션 기반 유사도 점수와 제출된 WEF 간의 상호 비교를 통해 계산된 편차 점수를 결합하며, 2차원 클러스터링 및 점수별 분류를 통해 정상 클라이언트와 무임승차자 클라이언트를 분리합니다. 이 방법은 프록시 데이터셋이나 사전학습 없이도 학습 도중 무임승차자로 전환하는 클라이언트를 동적으로 탐지할 수 있도록 합니다. 우리는 4개의 데이터셋과 5가지 공격 유형에 걸쳐 광범위한 실험을 수행하여, S2-WEF가 다양한 설정에서 견고한 동적 무임승차 탐지 기능을 제공함을 입증합니다.