Page 355 - 《软件学报》2025年第9期

4266 软件学报 2025 年第 36 卷第 9 期

的比例 α ∈ (0.05,1000), 未能清晰划分两种攻击场景的界限. 结果例证了即使在 non-IID 攻击场景下, FedDiscrete
防御仍然是有效的和鲁棒的, 并优于先进的解决方案.
3) 不同指标下 FedDiscrete 性能评估: 为了公平, 我们也给出了 non-IID 场景下 FedDiscrete 在 MNIST 和
,
,
,
CIFAR-10 数据集上的指标评估. 注意, 这里仍然是采用 Acc Cpre Crec F1 和 ASR 指标, 其中, 图 9(a) 的结果是
在 MNIST 数据集上实现, 图 9(b) 的结果是在 CIFAR-10 上实现, 最后, 图 9(c) 提供了不同 b 下 ASR 的变化.

100 70 MNIST
95 65 25 CIFAR-10
Metric results (%) 85 Acc Metric results (%) 55 Acc ASR (%) 20
60
90
15
80
50
10
Cpre tc
45
75
Cpre tc
Crec tc
Crec tc 5
70 F1 tc 40 F1 tc
0 10 20 30 40 0 10 20 30 40 10 20 30 40
b (%) b (%) b (%)
(a) MNIST (b) CIFAR-10 (c) ASR
图 9 在 non-IID 场景不同 b 下的指标评估

首先, 如图 9(a) 所示, 随着 b 的增加, Acc Cpre tc 和 F1 tc 以不同的幅度下降, 而 Crec tc 在 b = 20% 和 b = 30% 时
,
出现了反向增长, 但从 b = 10% 到 b = 40% 整体上仅下降 3.80%. 其次, 在图 9(b) 中, 我们发现 b 的增加使得所有指
标均以不同的幅度不断下降. 具体地, Acc 浮动相对平缓, 从 b = 10% 时实现的 64.88% 到 b = 40% 的 61.26%, 仅下
降 3.62%. Cpre tc 和 Crec tc 表现相似, 均呈现大幅度下降趋势, F1 tc 有相对较小的下降幅度. 相同的是, Cpre tc ,
Crec tc 和 F1 tc 在 b = 40% 时均获得了 40.00% 左右的结果, 这证实了第 4.2.4 节 1) 中的猜测. 综上, 相较于第 4.2.4
节描述的 IID 场景而言, 我们发现 FedDiscrete 防御在 non-IID 下的表现更多样化和复杂化, 这也与 non-IID 场景
具有数据多样性和攻击形式多样性的特点相关. 特别地, 比较无攻击者投毒的场景, Cpre tc 和 Crec tc 在 b = 10% 时
都实现了更好的性能, 这主要是因为仅存在少数攻击者时, 检测并防御攻击者是可能的, 这也体现了 FedDiscrete
防御的有效性. 接下来, 图 9(c) 展示了 b 的增加导致 ASR 也不断增长, 尤其是 CIFAR-10 数据集, 其从 b = 10% 到
b = 40% 实现了从 4.60% 到 27.60% 的明显增长, 而 FedDiscrete 在 MNIST 数据集下实现了 ASR 从 2.69% 到
16.93% 的增长.
,
4) PathMNIST 数据集下的性能评估: 此外, 基于 Acc Cpre Crec 和 F1 这 4 个指标, 我们也评估了 IID 场景
,
下 FedDiscrete 方法在 PathMNIST 数据集上的性能, 实验结果如表 7 和图 10 所示.

97.5 Cpre tc
Crec tc
95.0
F1 tc
Metric results (%) 90.0
92.5
87.5
b 下的 FedDiscrete 性能评估 (%)
表 7 不同
85.0
b Acc
82.5
0 73.05
10 71.69 80.0
20 69.12 0 10 20 30 40
30 70.00 b (%)
40 63.73
图 10 不同指标下的 FedDiscrete 性能评估: IID
从表 7 中可以观察到, 在没有攻击者发起投毒攻击的情况下, FedDiscrete 实现了最高的 Acc 73.05%, 且防御
性能随着攻击者数量的增加而呈现下降趋势. 具体地, 当 b = 10% 时, FedDiscrete 算法在 IID 场景下实现了 Acc
Acc 63.73%, 比较 CIFAR-10 数据集, FedDiscrete 获得了更优的防御效果. 结
71.69%, 甚至在 b = 40% 时也获得了