基于剪枝策略的社交推荐系统防御算法

联邦学习参与者的不可信导致中心服务器难以有效监控或验证各客户端的数据与训练活动。研究将社交推荐系统中目标项目和目标用户的嵌入作为后门触发器,与其他项目和用户的嵌入相结合,生成带有后门的模型参数。针对该类型后门攻击,提出一种剪枝防御模型,该模型的剪枝在客户端进行,参与模型训练的每个节点独立执行基础剪枝操作,去除非必要的权重和神经元,在此基础上对图卷积网络进行加权剪枝。实验结果表明,该剪枝防御模型针对社交推荐系统中的联邦学习后门攻击有较好的防御能力。

网络群体对抗综合评判模型定性化研究

通过对网络群体攻击和防御的分析,定义了网络群体对抗的指标权重,同时提出了疫苗的克隆攻击评判策略和抗体的剪枝防御评判策略,指出对亲和力高于1的网元进行克隆攻击具有很高的攻击成功率,应将其赋予高优先级的网络攻击体系计算范围;而当网元的抗体浓度低于零时,应将其剪枝隔离,不再将其纳入评判网络防御效果的防御体系计算范围内。在此基础上建立了网络群体攻防对抗的免疫和神经网络综合评判模型,对其进行了定性化研究,为网络的群体攻防对抗仿真研究奠定了基础,并根据该模型设计了网络群体对抗评判系统,对其进行了相关分析。