无人机联邦GPS欺骗检测中接收域行为探测可抵御后门攻击

该论文指出在无人机集群的联邦学习中，依赖客户端自报验证准确率的聚合机制存在严重安全漏洞：两个受损客户端通过污染数据、缩放更新并虚报准确率，可将后门提升幅度推高至+0.3036，高于不撒谎的攻击效果。作者提出接收域行为探测（receiver-domain behavioral probing）方案，协调器通过构建反事实欺骗样本驱动每个判别性GPS特征至良性值，评估各提交模型的实际行为而非声称指标，据此加权客户端。

实验显示，在独立同分布客户端场景下，该方法将攻击者诱导的后门提升降至-0.0265，与诚实集群统计无差异，同时能标记受损飞行器。相比需要精确攻击者数量的拜占庭鲁棒聚合算法（如Multi-Krum），本方法仅需多数诚实节点；当真实攻击者数量超过配置阈值时，Multi-Krum性能从+0.0061恶化至+0.2837，而新机制仍维持基线水平。评估基于公开单接收机数据集划分模拟客户端，并报告了强客户端异构性下的失效边界。

事实层面，该研究证明了自报准确率作为攻击杠杆的有效性及新探测机制在特定条件下的有效性。推断层面，这意味着当前广泛采用的基于自报指标的联邦学习系统可能普遍存在未被识别的后门风险，尤其在资源受限的物联网或边缘设备网络中。猜测层面，若该机制未成为行业标准，未来针对联邦学习的攻击可能转向更隐蔽的数据投毒策略，迫使防御方必须引入外部验证或行为分析层。