Security Threats and Privacy Protection in Federated Learning
연구 내용
연합학습 환경에서 데이터 오염공격과 차등프라이버시가 예측 성능과 보안에 미치는 영향을 규명하고 공격 탐지·완화 기법을 개발하는 연구
연합학습은 분산된 데이터로 개인정보 노출을 줄이기 위한 학습 방식이지만, 분산 구조 자체가 보안 취약면을 형성합니다. 이 연구는 회귀 기반 부하 예측과 차량 환경에서 연합학습을 구성하고, poisoning attack이 성능에 미치는 영향과 local differential privacy의 정확도-보호 수준 간 트레이드오프를 분석합니다. 또한 공격 신호를 탐지하기 위해 클러스터링 기반의 이상 징후 분류와 이동성 시나리오를 반영한 평가 프레임을 결합하여 방어 방향을 도출합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 공개 에너지 데이터 기반 부하 예측에서 연합학습이 분산 학습 성능에 미치는 영향을 확인하고, 회귀 문제에서의 poisoning attack 양상을 실험적으로 정리하는 데 집중했습니다. 이후 차량 환경으로 확장하여 local differential privacy와 adaptive clipping을 적용하고 이동성 시나리오가 보호 수준과 성능 저하에 어떤 영향을 주는지 평가했습니다. 최근에는 학습 모델·이동성·프라이버시 알고리즘의 조합을 함께 고려해 정확도와 데이터보호의 균형을 체계적으로 측정하며, 방어를 위한 평가 및 탐지 절차를 구체화하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Poisoning Attacks against Federated Learning in Load Forecasting of Smart Energy
Performance Impact of Differential Privacy on Federated Learning in Vehicular Networks
Evaluating the Impact of Mobility on Differentially Private Federated Learning