Page 75 - 《软件学报》2026年第4期

1516 软件学报 2026 年第 37 卷第 4 期

体框架如图 2 所示. 该方法围绕两项关键策略展开: 一方面, 典型风险动态聚合策略通过量化客户端本地图中欺诈
节点的结构性风险强度来评估其在全局更新过程中的贡献度, 在此基础上结合时间衰减机制的动态权重映射函数
调整客户端聚合权重, 使模型在训练初期优先聚焦于具有高风险代表性的客户端 (即数量占多数, 且具备较多风险
关联链接的欺诈样本), 从而在数据异构环境下引导全局模型优先学习区分正常样本与典型异常样本的能力. 另一
方面, 针对样本稀少但结构多样的非典型欺诈样本, 构建了多样化风险平均聚合策略, 基于本地类别原型提取与全
局原型聚合实现跨客户端的类别语义共享, 并结合针对欺诈样本的变分扰动特征增强与全局原型引导的对比学习
机制, 提升对多样化欺诈模式的识别能力. 两种策略相辅相成, 共同支撑模型在动态变化与高度不平衡的数据环境
下实现鲁棒的欺诈检测性能.

客户端数据 ① ②
权 H 1 γ 1
w n 重 … …
h g ℒ CE 计
上传 H N γ N
局 H n 算 权重映射 round
部 H n { {
训 ℒ=ℒ CE +λℒ P 模型聚合 γ n ③
练 p n c w 2 …
μ n , σ n 服务端 γ 2
w N
局部原 分发 w 1 γ 1 γ N
变分扰动增强 ℒ P w g
型计算
w g
c
p 1 1 1
…
正常/欺诈节点 节点特征 局部原型 全局原型 P P −
+
c N N
p N
w n w g 局部/全局模型 h 特征提取层 g 分类层 原型聚合
欺诈影响指数 H n
图 2 基于风险感知动态聚合的图联邦学习方法框架

3.1 典型风险动态聚合策略
在经典联邦学习框架中, 客户端的聚合权重通常依据其所持本地数据样本数量确定. 在图结构数据的节点分
类任务中, 这一权重往往与客户端图中节点数量成正比. 然而, 在欺诈检测这一特定场景中, 此类加权聚合策略存
在显著局限性, 特别是在类别极端不均衡的条件下, 部分客户端虽然拥有较多节点, 但其所含欺诈节点数量极少,
导致训练出的局部模型对欺诈节点的建模能力有限, 却在全局聚合中被赋予较高的权重, 从而削弱了全局模型对
欺诈模式的感知能力.
为此, 我们提出了一种基于加权 PageRank 的结构性风险强度评估机制, 用于度量客户端在欺诈检测任务中的
实际贡献. PageRank [43] 本质上是一种基于随机游走的节点重要性评估方法, 能够反映图中节点的全局结构影响力.
在欺诈检测任务中, 欺诈节点常表现出特定的结构特征, 例如高度互联的欺诈团伙或桥接多个正常节点的欺诈节
点. 基于此, 可以在异构拓扑空间中建立欺诈风险传播的量化表示, 更准确地衡量客户端的风险贡献度. 具体而言,
对于每个客户端图 G n , 我们对其每个节点 v ∈ V n , 计算 PageRank 值 PR(v):

1−d ∑ PR(u)
PR(v) = +d (2)
N |N (u)|
u∈N (v)
其中, d 为阻尼因子 (默认设置为 0.85), 控制信息传递的衰减程度; N (v) 表示节点 的邻居集合, |N (u)| 是邻居 u
v
的度. 在此基础上, 我们定义客户端 n 的相对欺诈影响指数 H n 如下:

∑
PR(v)I(y v = 1)
H n = v∈V n (3)
∑
PR(v)
v∈V n
其中, I(y v = 1) 为指示函数, y v 是节点 的标签, y v = 1 表示该节点为欺诈节点, y v = 0 表示该节点为正常节点. 据此
v
可以有效规避欺诈节点占比较低所导致的权重失真问题, 同时抑制孤立欺诈节点对全局模型造成的扰动, 更精确
地反映客户端在欺诈行为建模中的实际贡献, 在聚合过程中为具有较高结构性风险强度的客户端分配更高的权重.
尽管通过各个客户端的相对欺诈影响指数进行权重分配可以在一定程度上提升模型对欺诈节点的识别能力,