DarkFed: A Data-Free Backdoor Attack in Federated Learning

联邦学习（FL）已被证明容易受到后门攻击的影响。然而，现有的FL后门攻击学术研究依赖于高比例具有主任务相关数据的真实客户端，这是不切实际的。在实际工业场景中，即使是最简单的防御措施也足以抵御最先进的攻击3DFed。实际的FL后门攻击仍处于初步开发阶段。为了弥补这一差距，我们提出了DarkFed。首先，我们模拟了一系列虚假客户端，从而实现了学术研究场景中典型的攻击者比例。由于这些模拟的虚假客户端缺乏真正的训练数据，我们进一步提出了一种无数据的后门FL方法。具体而言，我们深入探讨了使用影子数据集注入后门的可行性。我们的探索揭示了，即使影子数据集与主任务数据集之间存在实质性差距，甚至使用不包含任何语义信息的合成数据作为影子数据集，也可以实现令人印象深刻的攻击性能。随后，我们以优化的方式策略性地构建了一系列隐蔽的后门更新，模仿良性更新的特性，以逃避防御措施的检测。大量的实证证据验证了DarkFed的实际有效性。

解决问题：本论文旨在解决联邦学习中后门攻击的问题，并提出一种新的数据无关的后门注入方法。

关键思路：论文提出了一种新的后门注入方法，使用影子数据集来注入后门，同时通过模拟虚假客户端来解决实际应用中数据不足的问题。

其他亮点：论文使用了影子数据集来注入后门，即使影子数据集与主任务数据集存在较大差异，也能取得令人印象深刻的攻击效果。此外，论文还构建了一系列隐蔽的后门更新，以逃避检测。实验结果表明，该方法具有很高的攻击成功率。

相关研究：在联邦学习的后门攻击领域，还有一些相关研究，如3DFed等。