Bi-SF：双向验证的联邦学习原型

本项目实现了一个带“加密聚合 + 一致性审计 + 投毒检测”的联邦学习原型，包含 TA / DO / CSP / ASP 等参与方，用于验证安全聚合与鲁棒检测在联邦场景下的可行性与开销。

参与方与职责

• TA（Trusted Authority）：生成 Paillier 参数、管理每轮 R_t、分发 DO 基础私钥并做门限分片。
• DO（Data Owner）：本地训练模型，使用派生密钥加密上传；参与 SafeMul 第2轮并提供掉线恢复分片。
• CSP（Cloud/Server）：聚合密文并解密；执行一致性审计、投毒检测；负责 SafeMul 第1/3轮。
• ASP（Audit Server）：审计辅助方，提供密文修正项，协助 CSP 进行单点审计。

项目脚本概览

• EfficiencyTest.py：加密流程联邦仿真（含审计、SafeMul、投毒检测）
• CorrectnessTest.py：明文训练与检测（正确性/可解释性对照）

---

本文重点介绍 命令行参数（parser） 的使用方式。

---

1. EfficiencyTest.py（加密流程联邦仿真）

基本参数

• --num-rounds：联邦轮次
• --num-do：在线 DO 数
• --model-size：模型参数维度
• --model-name：模型名称（cnn / lenet / resnet20）
• --dataset-name：数据集（mnist / cifar10 / cifar100）
• --partition-mode：数据划分模式（iid / mild / extreme）
• --initial-params-path：初始全局参数文件

训练与评估

• --train-batch-size：训练 batch
• --train-max-batches：每轮最大 batch 数
• --eval-each-round：每轮是否评估
• --eval-batch-size：评估 batch
• --eval-batches：评估 batch 上限
• --bn-calib-batches：BN 校准批数（ResNet）

正交向量与 SafeMul

• --orthogonal-vector-count：正交向量数量
• --refresh-orthogonal-each-round：是否每轮刷新正交向量
• --safe-mul-block-size：SafeMul 分块大小（<=0 不分块）

投毒与攻击

• --attack-type：untarget 攻击类型（stealth/random/signflip/lie_stat）
• --attack-round-untarget：untarget 攻击轮次（all / 单轮 / 多轮）
• --attack-lambda：放大系数
• --attack-sigma：random 攻击噪声
• --attack-do-id：攻击 DO id（逗号分隔）
• --attack-rounds：label flip 轮次（all / 逗号）
• --source-label / --target-label / --poison-ratio
• --bd-enable / --bd-target-label / --bd-ratio / --bd-trigger-size / --bd-trigger-value

投毒检测

• --enable-all-detection：是否启用投毒检测
• --enable-compressed-detect：启用压缩向量检测（ResNet20）
• --detection-methods：检测方法选择
  取值：all / multi / geo / cluster / 组合如 multi,geo

审计模拟

• --audit-round：审计轮次
• --audit-do-id：审计 DO id（逗号分隔）
• --audit-simulate-dropout：模拟掉线
• --audit-simulate-mismatch：SafeMul 与加密不一致

---

2. CorrectnessTest.py（明文训练与检测）

基本参数

• --rounds：训练轮次
• --num-do：DO 数
• --model-name / --dataset-name
• --batch-size / --max-batches
• --partition-mode：iid / mild / extreme

投毒与攻击

• --poison-do-id：攻击 DO 列表（逗号）
• --source-label / --target-label / --poison-ratio
• --attack-type：untarget 攻击类型（stealth/random/signflip/lie_stat）
• --attack-round-untarget：触发轮次（all / 单轮 / 多轮）
• --attack-lambda / --attack-sigma
• --bd-enable / --bd-target-label / --bd-ratio / --bd-trigger-size / --bd-trigger-value

投毒检测

• --enable-all-detection
• --enable-compressed-detect
• --proj-block-size：正交投影分块
• --refresh-orthogonal-each-round
• --detection-methods：检测方法选择（同上）

评估与输出

• --save-path：保存目录
• --initial-params-path
• --eval-batch-size / --eval-batches
• --bn-calib-batches

---

3. 示例

仅启用 Multi-Krum：

python EfficiencyTest.py --detection-methods multi

仅启用 GeoMedian：

python CorrectnessTest.py --detection-methods geo

启用全部检测：

python EfficiencyTest.py --detection-methods all