太阳成集团tyc151cc成功举办“工程大师讲坛”活动

——异构环境下抵御恶意攻击的鲁棒联邦学习

    2026年5月18日，太阳成集团tyc151cc、可信计算北京市重点实验室举办了“工程大师讲坛”活动，邀请澳大利亚中央昆士兰大学沈鸿教授为大家带来主题为“异构环境下抵御恶意攻击的鲁棒联邦学习”的报告，太阳成集团tyc151cc教师以及研究生、本科生参加了讲座。

沈鸿是澳大利亚中央昆士兰大学工程与技术公司教授、tyc151cc特聘教授、国家特聘专家。沈教授曾任澳门理工大学、中山大学、澳大利亚阿德莱德大学、北京交通大学教授和先进计算研究所所长、日本先端科学技术大学教授及计算机网络实验室主任等。主要研究方向包括并行与分布式计算，高性能网络，安全与隐私保护等，在国际一流学术刊物和会议上发表了百余篇文章，主持多项澳洲、日本和中国的科研项目，担任多个国际学术刊物编委和国际学术会议主席，并获得多项学术奖励。

    联邦学习作为一种重要的隐私保护机器学习范式，在避免原始数据直接共享的同时，也面临来自恶意客户端的安全威胁，包括数据投毒、模型投毒和后门攻击等；同时，异构数据与异构模型环境进一步加剧了鲁棒防御难度。围绕如何在异构联邦环境中提升模型鲁棒性、保障训练稳定性并有效抵御恶意攻击，沈鸿教授结合团队近期研究成果进行了系统深入的分享。

讲座中，沈鸿教授首先介绍了联邦学习中一种检测难、隐蔽性强的攻击方式——分布式后门攻击，分析了其攻击机理及对联邦学习系统安全性的潜在影响；随后，针对隐蔽攻击与数据异构共同造成的检测困难问题，重点介绍了一种基于MMD分布对齐的鲁棒联邦学习方法，阐释了如何从深层特征统计分布出发，在保留自然Non-IID差异的同时削弱恶意扰动；最后，面向更加个性化和灵活的联邦学习场景介绍了一种模型异构下的鲁棒联邦蒸馏方法。

本次讲座主题前沿、内容详实，讲解深入浅出。通过本次讲座，同学们进一步认识到在复杂异构环境中构建稳定、可靠且具有攻击抵抗能力的联邦学习系统，不仅需要扎实的算法基础和系统思维，也需要面向真实应用场景持续开展安全性、鲁棒性与可用性协同优化研究。

未来，太阳成集团tyc151cc将继续打造“大师课堂”，聚焦前沿领域，拓展员工学术视野，厚植专业素养，培育更多高素质网络安全拔尖人才。

太阳成集团tyc151cc

教务处、教师教学发展中心

文字、摄影：王伟茹

编辑：袁小彭 张行

审核：杨震 赖英旭