https://blog.qife122.com/tags/%E4%BF%A1%E8%AA%89%E7%B3%BB%E7%BB%9F/ Recent content in 信誉系统 on 办公AI智能小助手 Hugo zh-cn qife Sat, 27 Sep 2025 08:33:07 +0800 https://blog.qife122.com/p/%E6%B7%B7%E5%90%88%E4%BF%A1%E8%AA%89%E8%81%9A%E5%90%885g%E4%B8%8E%E8%BE%B9%E7%BC%98%E7%BD%91%E7%BB%9C%E4%B8%AD%E5%AF%B9%E6%8A%97%E6%80%A7%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E9%B2%81%E6%A3%92%E9%98%B2%E5%BE%A1%E6%9C%BA%E5%88%B6/ Sat, 27 Sep 2025 08:33:07 +0800 https://blog.qife122.com/p/%E6%B7%B7%E5%90%88%E4%BF%A1%E8%AA%89%E8%81%9A%E5%90%885g%E4%B8%8E%E8%BE%B9%E7%BC%98%E7%BD%91%E7%BB%9C%E4%B8%AD%E5%AF%B9%E6%8A%97%E6%80%A7%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E9%B2%81%E6%A3%92%E9%98%B2%E5%BE%A1%E6%9C%BA%E5%88%B6/ <p><strong>摘要</strong><br> 5G与边缘网络环境中的联邦学习（FL）面临来自对抗性客户端的严重安全威胁。恶意参与者可通过标签翻转、注入后门触发器或发起女巫攻击来破坏全局模型。本文提出混合信誉聚合（HRA），一种无需预知攻击类型即可防御联邦学习中多样化对抗行为的新型鲁棒聚合机制。HRA将几何异常检测与基于动量的客户端信誉追踪相结合：每轮通过距离几何分析检测异常模型更新，同时根据历史行为持续更新每个客户端的信任评分。这种混合方法能自适应过滤可疑更新，并对不可靠客户端实施长期惩罚，从而抵御从后门插入到随机噪声拜占庭故障等多种攻击。我们在大规模专有5G网络数据集（300万+记录）和广泛使用的NF-CSE-CIC-IDS2018基准上评估HRA，实验结果显示其全局模型准确率在5G数据集上达98.66%，在NF-CSE-CIC-IDS2018上达96.60%，显著优于Krum、Trimmed Mean和Bulyan等先进聚合器。消融研究进一步证明完整混合系统的准确率为98.66%，而仅使用异常检测或信誉追踪的变体分别降至84.77%和78.52%，验证了双机制协同价值。这表明HRA在5G/边缘联邦学习部署中具有更强的抗攻击鲁棒性。</p>