本文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：

一、主要作者及机构、发表期刊及时间
本研究由Abdenour Soubih、Seyyid Ahmed Lahmer、Mohammed Abuhamad和Tamer Abuhmed共同完成。他们分别来自韩国的成均馆大学（Sungkyunkwan University）、意大利的帕多瓦大学（University of Padova）以及美国的芝加哥洛约拉大学（Loyola University Chicago）。该研究发表于2025年的IEEE International Conference on Ubiquitous Information Management and Communication (IMCOM)。

二、学术背景
本研究聚焦于联邦学习（Federated Learning, FL）领域，旨在探讨在数据异质性（data heterogeneity）条件下，联邦学习系统对投毒攻击（poisoning attacks）的鲁棒性。联邦学习作为一种隐私保护的分布式机器学习范式，允许多个客户端在不共享本地数据的情况下协同训练全局模型。然而，其去中心化的特性也带来了安全和性能上的挑战，尤其是在面对敌对攻击时。数据异质性（例如数据分布、模型架构和系统能力的差异）会加剧这些挑战，导致全局模型的性能下降。此外，投毒攻击可能通过注入恶意数据或操纵模型更新来破坏全局模型的完整性。因此，本研究旨在评估在数据异质性和投毒攻击条件下，联邦学习系统的性能表现，并提出相应的防御机制。

三、研究流程
1. 研究问题与目标
本研究主要回答以下两个研究问题：
- 数据异质性如何影响联邦学习模型的性能？
- 数据异质性与模型对投毒攻击的鲁棒性之间是否存在关系？

1. 实验设计与算法选择
   研究选择了四种联邦学习算法进行对比分析：FedAvg、FedAvgM、FedProx和FedNova。这些算法分别针对通信效率、模型收敛性、系统异质性和公平性进行了优化。实验使用了三个医学图像数据集（PathMNIST、BloodMNIST和TissueMNIST）来模拟实际应用场景。

2. 数据异质性模拟
   研究采用两种分区策略来模拟不同程度的数据异质性：

   • Dirichlet分区：通过调整Dirichlet分布的参数α（0.9、0.3、0.1）生成不同异质性水平的非独立同分布（non-IID）数据。
     
   • 病理性分区（Pathological Partitioning）：通过限制每个客户端的数据标签数量（2、4、7）来控制数据异质性。
     

3. 投毒攻击模拟
   实验模拟了标签翻转攻击（label-flipping attack），其中恶意客户端通过修改标签映射来降低全局模型的性能。实验设置了不同的恶意客户端比例（30%）和投毒浓度（0.8）来评估模型的鲁棒性。

4. 实验设置与评估指标
   实验使用MobileNetV2作为全局模型架构，设置了50个客户端，每轮训练随机选择10%的客户端参与。训练共进行100轮，使用准确率（accuracy）作为主要评估指标。

四、主要结果
1. 数据异质性对模型性能的影响
- FedNova在所有数据集和分区策略中均表现出最优性能，其归一化策略有效缓解了数据异质性带来的负面影响。
- FedAvg和FedAvgM在独立同分布（IID）或轻度异质性环境中表现良好，但在高度非IID条件下性能显著下降。
- FedProx在Dirichlet分区场景中表现较好，但在病理性分区中与FedAvg相似。

1. 投毒攻击对模型性能的影响

   • 在Dirichlet分区中，随着异质性增加（α值降低），模型性能显著下降，尤其是在α=0.1时。FedNova在投毒攻击下表现出更高的鲁棒性。
     
   • 在病理性分区中，投毒攻击导致模型性能显著下降，FedNova在数据不平衡条件下仍表现优异。
     
   • 恶意客户端的数量对模型性能的影响比投毒浓度更为显著，表明即使投毒浓度较低，大量恶意客户端仍会严重损害模型性能。
     

2. 算法鲁棒性对比

   • FedNova在数据异质性和投毒攻击下均表现出最高的鲁棒性，其归一化策略有效减少了恶意数据的影响。
     
   • FedAvg、FedAvgM和FedProx在高度异质性和投毒攻击下性能显著下降，尤其是在恶意客户端比例较高时。
     

五、结论
本研究揭示了联邦学习系统在数据异质性和投毒攻击下面临的显著挑战。通过对比四种联邦学习算法，研究发现FedNova在应对这些挑战时表现出最高的鲁棒性。研究强调了在联邦学习系统中同时优化性能、安全性和公平性的重要性，并为开发更鲁棒的联邦学习框架提供了实践建议。

六、研究亮点
1. 重要发现
- 数据异质性会加剧投毒攻击对联邦学习模型性能的影响。
- FedNova在高度异质性和投毒攻击下表现出最高的鲁棒性。

1. 方法创新

   • 采用Dirichlet分区和病理性分区策略模拟不同程度的数据异质性。
     
   • 通过标签翻转攻击模拟投毒攻击，评估模型的鲁棒性。
     

2. 研究对象的特殊性

   • 使用医学图像数据集（PathMNIST、BloodMNIST和TissueMNIST）模拟实际应用场景，增强了研究的实用价值。
     

七、其他有价值的内容
本研究还提供了开源实现（代码和数据），为后续研究提供了便利。此外，研究指出了未来工作的方向，包括探索更复杂的投毒攻击方法和开发更高效的防御机制。