近日，太阳成集团tyc7111cc王玲玲副教授团队在人工智能安全领域取得了新进展。其两项研究成果以“TMT-FL: Enabling Trustworthy Model Training of Federated Learning with Malicious Participants”和“RaSA: Robust and Adaptive Secure Aggregation for Edge-Assisted Hierarchical Federated Learning”为题分别发表在IEEE Transactions on Dependable and Secure Computing（TDSC）和IEEE Transactions on Information Forensics & Security（TIFS）。TDSC和TIFS是IEEE旗下信息安全领域的顶级期刊，入选中国计算机学会（CCF）推荐的A类国际期刊和中科院一区TOP期刊。

图1. TMT-FL的工作流程图

图2. RaSA的工作流程图

联邦学习作为一种隐私保护的分布式机器学习框架，在数据孤岛与隐私合规双重约束下的跨域协作场景中展现出广阔的应用前景。然而，开放异构的边缘环境存在安全威胁加剧、资源异构受限和动态隐私保护困难等问题，当前联邦学习研究面临本地训练安全攻击防御成本高、模型更新隐私保护算法适应性不强、模型聚合策略与开放异构环境契合难等挑战。为此，项目组针对开放环境中恶意设备发动的安全攻击影响本地训练完整性和正确性的问题，设计了轻量高效的可信证明与验证方法。同时，针对边缘环境资源受限特性和低延迟需求，提出了层次式架构下安全攻击和异构鲁棒的安全聚合方案。理论和实验分析证明了项目组所提方案的正确性和优越性。

TMT-FL的第一作者为太阳成集团tyc7111cc2021级硕士研究生陆忠锴、RaSA的第一作者为王玲玲副教授，第二作者为太阳成集团tyc7111cc2022级硕士研究生黄梅，通讯作者均为王玲玲副教授。本研究得到了国家自然科学基金、山东省自然科学基金以及青岛市自然科学原创探索基金等多方资助。

论文信息：

[1] Zhongkai Lu, Lingling Wang*, Zhengyin Zhang, Mei Huang, Jingjing Wang, and Meng Li. TMT-FL: Enabling Trustworthy Model Training of Federated Learning with Malicious Participants[J]. IEEE Transactions on Dependable and Secure Computing, DOI: 10.1109/TDSC. 2024.3521377, 2024.

[2] Lingling Wang*, Mei Huang, Zhengyin Zhang, Meng Li, Jingjing Wang, and Keke Gai. RaSA: Robust and Adaptive Secure Aggregation for Edge-Assisted Hierarchical Federated Learning[J], IEEE Transactions on Information Forensics and Security, DOI: 10.1109/TIFS.2025.3559411, 2025.