Apadana موسسه آموزش عالی آپادانا New Researches in the Smart City فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 Design and Evaluation of a Multi-Signal Membership Inference Attack in Federated Learning طراحی و ارزیابی یک حمله ی استنباط عضویت چندنشانه ای در یادگیری فدرال FA Mohammad Ahmady Department of Computer Engineering, Apadana Institute of Higher Education, Shiraz, Iran محمد احمدی گروه مهندسی کامپیوتر، مؤسسه آموزش عالی آپادانا، شیراز، ایران Haleh Homayouni Department of Computer Engineering, Apadana Institute of Higher Education, Shiraz, Iran هاله همایونی گروه مهندسی کامپیوتر، مؤسسه آموزش عالی آپادانا، شیراز، ایران Mohammad Zare Department of Computer Engineering, Apadana Institute of Higher Education, Shiraz, Iran محمد زارع گروه مهندسی کامپیوتر، مؤسسه آموزش عالی آپادانا، شیراز، ایران Federated learning is often presented as a privacy-preserving paradigm because training data never leaves the client devices; however, the model updates exchanged between clients and the server open a channel through which information about individual training samples can leak. This study was conducted in order to quantify that leakage and to identify the conditions under which it intensifies. The design was an experimental, controlled simulation; the population was a ten-class color image benchmark and the sample consisted of fifteen thousand training instances partitioned among twenty clients by a Dirichlet allocation. The instruments were a federated averaging testbed and a feature extraction module that produced twenty-four signals belonging to three families: final-model output, training trajectory, and update geometry. Data were analyzed with a random forest classifier trained on shadow runs and evaluated on a disjoint target run, using rank normalization to make features comparable across runs. The results showed that the proposed profiler substantially outperformed thresholding on the final model output and that its advantage held across the entire range of decision thresholds. Data heterogeneity had a non-monotonic effect, with vulnerability peaking at mild heterogeneity. Contrary to expectation, longer training and more local steps both reduced leakage. It was concluded that, unlike centralized training, overfitting of the global model does not explain leakage in federated learning, and that privacy evaluation based on conventional overfitting metrics may therefore be misleading. یادگیری فدرال با نگه داشتن داده در دستگاه کاربران، راهبردی برای حفاظت از حریم خصوصی به شمار می آید؛ اما مبادله ی به روزرسانی های مدل میان گره ها و هماهنگ کننده، کانالی برای نشت اطلاعات پدید می آورد. این پژوهش با هدف سنجش میزان این نشت و شناسایی عوامل مؤثر بر آن انجام شد. روش پژوهش آزمایشی و از نوع شبیه سازی کنترل شده بود؛ جامعه ی آماری، مجموعه ی مرجع تصاویر رنگی ده کلاسه و نمونه ی پژوهش، پانزده هزار نمونه ی آموزشی بود که با روش توزیع دیریکله میان بیست گره تقسیم شد. ابزار گردآوری داده عبارت بود از بستر یادگیری فدرال مبتنی بر الگوریتم میانگین گیری و ماژول استخراج نشانه که بیست وچهار ویژگی از سه خانواده ی خروجی مدل، تاریخچه ی آموزش و هندسه ی به روزرسانی تولید می کرد؛ تحلیل داده ها با طبقه بند جنگل تصادفی انجام شد که بر اجراهای سایه آموزش دیده و بر اجرای هدف جداگانه ارزیابی گردید و ویژگی ها پیش از تصمیم گیری هم مقیاس سازی رتبه ای شدند. یافته ها نشان داد تحلیل گر پیشنهادی به مراتب کارآمدتر از آستانه گذاری بر خروجی مدل نهایی است و این برتری به انتخاب آستانه ی خاص وابسته نیست. همچنین مشخص شد ناهمگونی داده اثری غیریکنوا دارد و بیشینه ی آسیب پذیری در ناهمگونی ملایم رخ می دهد. برخلاف انتظار، افزایش دورهای آموزش و گام های بهینه سازی محلی، نشت را کاهش داد. نتیجه گیری: در یادگیری فدرال، برخلاف یادگیری متمرکز، بیش برازش مدل جهانی تبیین کننده ی نشت نیست و ارزیابی حریم خصوصی بر پایه ی سنجه های متعارف بیش برازش می تواند گمراه کننده باشد. https://nrsc.apadana.ac.ir/downloadfilepdf/881211