論文の概要: DecoyTrace: Toxic Decoys for Active Defense in Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2609.36330v1
• Date: Mon, 28 Sep 2026 22:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.040161
• Title: DecoyTrace: Toxic Decoys for Active Defense in Decentralized Federated Learning
• Title（参考訳）: DecoyTrace: 分散型フェデレーション学習におけるアクティブディロイ
• Abstract要約: Decentralized Federated Learning (DFL)は、中央集約サーバを排除し、従来の攻撃に対する防御が依存する単一視点を減らします。 既存の詐欺ベースの防御は、主に中央集権的なFLのために設計されており、局所的な観察、中毒の伝播、ソースの帰属、封じ込めに共同で対応していない。 本稿では,厳密なサーバーレスDFL環境に対する積極的なサイバー偽装に基づく防御手法であるDecoyTraceについて述べる。
• 参考スコア（独自算出の注目度）: 5.584005912158617
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Decentralized Federated Learning (DFL) eliminates the central aggregation server, reducing the single point of observation that traditional defenses against attacks rely on. As a result, peer-to-peer networks become exposed to malicious updates containing backdoors or semantic poisoning, since such updates can remain close to benign ones in the parameter space while behaving very differently. This may evade defenses based on passive parameter inspection. However, existing deception-based defenses have mainly been designed for centralized FL and do not jointly address local observation, poisoning propagation, source attribution, and containment in strictly serverless DFL. To address these limitations, this paper presents DecoyTrace, a proactive cyber deception-based defense for strictly serverless DFL environments. DecoyTrace deploys a mobile DecoyNode that generates decoy challenges using chaotic maps, disseminates a dual model (clean vs. decoy) based on neighbor trust, and evaluates them using three-state semantic metrics. Upon confirmation, a distributed protocol isolates the source and performs a model reset or recovery to preserve training progress. Evaluated across sixty configurations on the NEBULA platform (five datasets, three topologies, and four attack/defense scenarios), DecoyTrace systematically restores lost utility. The F1-score remains within 0.03 of the baseline on MNIST/FashionMNIST (mitigating drops of up to 0.37), matches or exceeds the baseline on EMNIST and CIFAR-100, and remains between 0.05 and 0.10 below the baseline on CIFAR-10, the most visually complex convolutional scenario evaluated. Furthermore, containment reduces CPU and network usage by up to two-thirds. These results demonstrate the feasibility of unifying deception, identification, and containment in DFL, while also identifying its limitations in complex tasks and multi-attractor threat models.
• Abstract（参考訳）: Decentralized Federated Learning (DFL)は、中央集約サーバを排除し、従来の攻撃に対する防御が依存する単一視点を減らします。 結果として、ピアツーピアネットワークは、バックドアやセマンティック中毒を含む悪意のある更新にさらされることになる。 これはパッシブパラメータ検査に基づいて防御を回避することができる。 しかし、既存の偽装ベースの防御は、主に集中型FLのために設計されており、局所的な観察、中毒の伝播、ソースの帰属、厳密なサーバーレスDFLの封じ込めに対処していない。 これらの制約に対処するため,本論文では,厳密なサーバーレスDFL環境に対する積極的なサイバー詐欺ベースの防御手法であるDecoyTraceを提案する。 DecoyTraceはモバイルのDecoyNodeをデプロイし、カオスマップを使用してdecoyチャレンジを生成し、近隣の信頼に基づいてデュアルモデル(clean vs.decoy)を分散し、3状態のセマンティックメトリクスを使用して評価する。 確認されると、分散プロトコルがソースを分離し、トレーニングの進捗を維持するためにモデルリセットまたはリカバリを実行する。 NEBULAプラットフォーム上の60のコンフィギュレーション(5つのデータセット、3つのトポロジ、4つの攻撃/防御シナリオ)で評価されたDeoyTraceは、失われたユーティリティを体系的に復元する。 F1スコアはMNIST/FashionMNISTのベースラインの0.03に留まり(最大0.37ドロップ)、EMNISTとCIFAR-100のベースラインと一致またはオーバーし、CIFAR-10のベースラインの0.05から0.10まで、最も視覚的に複雑な畳み込みシナリオとして評価されている。 さらに、CintainmentはCPUとネットワーク使用量を最大3分の2削減する。 これらの結果は、DFLにおける偽装、識別、封じ込めの実現可能性を示すとともに、複雑なタスクやマルチトラクタ脅威モデルにおける制限を識別する可能性を示している。

関連論文リスト

• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Detecting and Mitigating Backdoor Attacks in OTA-FL Systems: A Two-Stage Robust Aggregation Scheme [27.75838619796163]
  オーバー・ザ・エア・フェデレーション・ラーニング (OTA-FL) は無線チャネルの重ね合わせ特性を利用して通信効率を向上させる。 パラメータサーバは個々のローカル更新にアクセスできない。 OTA-FLにおけるバックドア攻撃に対する防御のための2段階のロバストアグリゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-19T01:57:31Z)
• TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
  分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。 我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。 我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
  論文  参考訳（メタデータ） (2026-04-30T13:44:01Z)
• Not All Edges are Equally Robust: Evaluating the Robustness of Ranking-Based Federated Learning [49.68790647579509]
  Federated Ranking Learning (FRL) は最先端のFLフレームワークであり、通信効率と中毒攻撃に対するレジリエンスで際立っている。 Vulnerable Edge Manipulation (VEM) 攻撃という, FRLに対する新たな局所モデル中毒攻撃を導入する。 我々の攻撃は、全体的な53.23%の攻撃効果を達成し、既存の方法よりも3.7倍のインパクトを与える。
  論文  参考訳（メタデータ） (2025-03-12T00:38:14Z)
• Sentinel: An Aggregation Function to Secure Decentralized Federated Learning [9.046402244232343]
  Decentralized Federated Learning (DFL)は、協調モデルをトレーニングするための革新的なパラダイムとして登場し、単一障害点に対処する。 既存の防御機構は集中型FLのために設計されており、DFLの特異性を十分に活用していない。 この研究は、DFLの毒殺攻撃に対抗する防衛戦略であるSentinelを紹介した。
  論文  参考訳（メタデータ） (2023-10-12T07:45:18Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。