تتزايد المخاوف بشأن الأمان في أنظمة التعلم الفيدرالي (Federated Learning)، حيث أصبح من الممكن استغلال ضعف الرؤية على الجانب الخادمي لإدخال هجمات خفية موجهة. في دراسة جديدة، تم تقديم تقنية STAIN-FL كإطار عمل يقدم هجمات خلفية مستهدفة بطريقة مبتكرة. تعتمد STAIN-FL على الظروف الطبيعية التي تحدث في المراقبة، مثل الإضاءة المنخفضة، والمشاهد الداخلية، وكثافة الجماهير، كعوامل تحفيزية لإحداث تأثيرات سلبية.

تجمع STAIN-FL بين تقنيات التلاعب بالتصنيفات من "الشاذ" إلى "الطبيعي"، وعمليات تفادي التدرجات على أقل الإحداثيات تحديثًا، مما يضمن الحفاظ على دقة النظام النظيفة أثناء التسبب في تصنيفات خاطئة عند وجود محفزات معينة.

تم اختبار هذه التقنية على مجموعة بيانات UCF-Crime باستخدام ميزات I3D بعمق 1024 بعدة عملاء في إطار غير IID، حيث تم مقارنة أداء الأسلوبين FedAvg وFedProx تحت هجمات مستمرة وملفتة.

أظهرت النتائج أن هذه الهجمات "الرقيقة" تتمتع بقدرة منخفضة على الكشف، حيث لا تؤثر على دقة النظام بشكل كبير، حيث تبقى خسارة الدقة تحت 2٪، على الرغم من أنها نجحت في تصنيف أكثر من نصف الحالات الشاذة عند استخدام المحفزات.

تظل هذه الهجمات، التي تظهر نتائج ملحوظة في دقة الهجوم، تهديدًا مستمرًا على الأنظمة المتطورة، حيث تبقى فوق عتبة 25٪ لمدة تصل إلى 336 جولة بعد الهجوم. هذا يسلط الضوء على المخاطر المستمرة للهجمات المرتبطة بسياق معين في أنظمة المراقبة.

يجب على الباحثين والمطورين الانتباه لهذه التهديدات وضرورة تطوير استراتيجيات أمان أكثر فعالية لمواجهة هذه الأنواع من الهجمات المعقدة.