揭示真实环境中联邦学习的安全风险：从研究到实践

该论文构建统一评测框架 TFLlib 复现联邦学习投毒攻击，发现理想化评测往往高估真实部署中的安全风险。作者系统梳理研究与实践之间的三类错配：不现实的投毒威胁模型、混合异构性缺失，以及过度强调峰值攻击成功率而忽略稳定性和效用成本的指标。实证结果显示，在现实约束下攻击性能更依赖数据集且不稳定，一些在理想化联邦学习中表现稳定的强攻击会失去效果或造成明显的良性任务性能下降。因此仅看最终轮攻击成功率不足以评估安全，需要同时考虑有效性、时间稳定性和附带的效用损失。代码见 https://github.com/xaddwell/TFLlib。