这个项目实现了一个健壮的联邦学习系统，能够检测并防御不同类型的后门攻击和恶意客户端行为。

联邦学习作为一种分布式机器学习范式，允许多个客户端在不共享原始数据的情况下协作训练模型。然而，这种分布式性质也使其容易受到恶意参与者的攻击。本项目专注于：

1. 后门攻击检测：识别恶意客户端注入的后门
2. 异常行为检测：使用多种距离度量方法识别异常客户端参数
3. 健壮聚合：实现排除恶意客户端的聚合机制

• 多种攻击类型支持：

  • 标签翻转攻击（Label Flipping）
  • 后门攻击（Backdoor）
  • 模型替换攻击

• 异常检测机制：

  • 余弦相似度
  • 欧氏距离
  • 多维异常检测

• 可视化分析：

  • 异常检测过程可视化
  • 混淆矩阵分析
  • 性能指标图表

• robust_federated_learning.py：主要实现健壮联邦学习流程
• server/backdoor_detector.py：后门检测机制
• client/poisoned_client.py：模拟恶意客户端行为
• analyze_attacks.py：分析攻击效果和防御性能

• 异常检测性能：

  • 精确率：100%（无误报）
  • 召回率：初始50%提升至100%（最终检测所有恶意客户端）
  • 平均F1分数：约94%

• 防御效果：

  • 标准聚合（使用所有客户端）模型准确率：8.92%
  • 健壮聚合（剔除恶意客户端）模型准确率：84.75%
  • 最佳性能提升：75.83%

./run_experiment.sh

./run_backdoor_detection.sh

./run_anomaly_detection.sh

python fl_example/test_model_accuracy.py

• Python 3.8+
• PyTorch 1.8+
• NumPy
• Matplotlib
• scikit-learn

欢迎通过Pull Request或Issue提交贡献和建议。