在去中心化联邦学习中优化 Byzantine 节点部署

去中心化联邦学习（DFL）的安全评估通常关注 Byzantine 参与者的行为，而在很大程度上忽略了哪些参与者被攻陷。然而，由于聚合是分布式地在通信图上进行的，Byzantine 节点的部署决定了恶意影响如何在网络中传播。因此，我们将 Byzantine 部署视为一个显式的对抗性决策，并将攻击者的目标表述为：在固定的攻陷预算下，选择一组参与者，使其在有限时间内对诚实节点的影响最大化。为了在不对每一种候选部署都执行学习过程的情况下近似这一目标，我们提出 Byzantine Placement Influence（BPI），这是一种从实际 gossip 动态中推导出的集合级度量，用于量化在训练周期内诚实节点对 Byzantine 源的累积暴露程度。不同于基于节点中心性启发式的部署准则，BPI 直接考虑了加权多跳传播以及被攻陷节点之间的交互。我们开发了用于优化 BPI 的高效算法，并在六类异构图、非定向模型投毒以及后门攻击上进行了评估。由 BPI 指导的部署在不同网络结构中始终能够识别出破坏性极强的配置，并且在通过 Byzantine-robust aggregation 放宽线性 gossip 假设后仍然有效。我们的结果表明，Byzantine 部署是 DFL 威胁模型和鲁棒性评估中一个关键但尚未被充分建模的维度。