연구진은 분산 연합 학습(DFL)의 보안 취약점을 지적하며, 기존 연구의 한계를 극복하기 위해 백도어 공격 및 방어 평가를 위한 통합 벤치마크 BackDFL을 제시했습니다. BackDFL 실험 결과, 최첨단 Byzantine-robust DFL 방법과 연합 학습 백도어 방어 방법조차도 악의적인 참여율이 15%일 때 취약한 모습을 보였습니다. DFL의 보안성은 통신 그래프 토폴로지에 따라 크게 달라지는 것으로 나타났습니다.
BackDFL은 현실적이고 적응적인 백도어 공격 환경에서 DFL을 체계적으로 평가하기 위해 설계되었습니다. 기존 연구는 단순화된 위협 모델, 비적응적 적대자, 단편적인 평가 프로토콜, 일관성 없는 통신 토폴로지, ad hoc 훈련 구성에 의존하여 DFL 보안에 대한 불완전한 이해를 야기했습니다. BackDFL은 이러한 제한 사항을 해결하기 위해 개발되었습니다.
연구 결과, DFL은 이질적인 환경에서 특히 취약하며, 악의적인 참여율이 낮더라도 성능 저하가 발생할 수 있습니다. BackDFL은 DFL 보안에 대한 보다 현실적인 평가를 제공하고, 향후 연구 방향을 제시합니다.