该文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
作者与机构
本研究由Xiaohui Zhang、Tao Shen、Fenhua Bai和Chi Zhang共同完成，四位作者均来自昆明理工大学信息工程与自动化学院。研究发表于2023年10月的IEEE Network期刊，论文标题为“Collusion-Based Poisoning Attacks against Blockchained Federated Learning”。
学术背景
本研究聚焦于元宇宙（Metaverse）背景下的联邦学习（Federated Learning, FL）与区块链（Blockchain）结合的安全问题。元宇宙作为数字文明革命的新浪潮，通过构建物理空间与虚拟空间的新连接，实现了虚拟空间与现实世界的交互。然而，隐私数据泄露等问题阻碍了元宇宙的广泛应用。联邦学习作为一种新兴的机器学习范式，能够在保护数据隐私的同时，支持数据驱动的元宇宙平台。区块链的去中心化、可追溯性和防篡改特性，为联邦学习提供了新的解决方案，形成了一种称为“区块链联邦学习”（Blockchained Federated Learning, BFL）的架构。尽管区块链与联邦学习的结合具有巨大潜力，但其安全性问题尚未得到充分研究。本研究首次提出了一种针对BFL架构的合谋式投毒攻击（Collusion-Based Poisoning Attack, CPA），揭示了BFL架构中可能存在的严重安全威胁。
研究流程
研究分为三个主要阶段：本地模型训练、全局模型聚合以及区块添加与交易共识。
本地模型训练阶段
恶意参与者控制部分关联的客户端设备，并在其干净数据中嵌入触发模式（Trigger Pattern），从而训练出本地投毒模型。研究设计了一种客户端选择方法，通过计算信息熵（Information Entropy）筛选出数据分布最分散的客户端设备，并在这些设备中注入投毒数据。触发模式分为单次触发（Single-Shot Trigger Pattern）和多次触发（Multi-Shot Trigger Pattern），分别修改图像像素的1%以下和1%-10%。
全局模型聚合阶段
恶意参与者的服务器将所有本地投毒模型聚合，生成全局投毒模型。由于BFL架构中服务器与客户端设备不再是独立的，恶意服务器可以控制客户端的选择范围和权重，确保只有投毒模型被聚合。这种方法不会显著影响全局模型的准确性，从而绕过现有的安全机制。
区块添加与交易共识阶段
恶意参与者将全局投毒模型打包成候选区块，并通过区块链系统的共识机制将其添加到区块链中。每个参与者都会验证模型的质量，如果测试结果高于预设阈值，则交易会被认可并添加到区块链中。由于区块链的强一致性，投毒模型会影响所有参与者。
主要结果
实验结果表明，CPA在多个方面表现出色，尤其在隐蔽性和鲁棒性方面优于现有的攻击方法。研究在Fashion-MNIST和CIFAR-10数据集上进行了测试，使用了LeNet和ResNet18两种深度学习模型。实验设置了不同的攻击参数（如恶意客户端比例和投毒数据比例），并比较了CPA与现有攻击方法（如SCA）的性能。结果显示，CPA在全局任务准确率（GTA）和投毒任务准确率（PTA）上均表现出色，且对全局模型的收敛性没有显著影响。此外，CPA能够成功绕过现有的安全机制（如性能过滤和多Krum算法），显示出其强大的隐蔽性。
结论与意义
本研究揭示了区块链联邦学习架构中可能存在的严重安全威胁，提出了一种高效的合谋式投毒攻击方法。研究结果表明，恶意参与者可以通过精心设计的客户端选择方法，以低成本的方式对基于BFL架构的元宇宙应用进行攻击。这一发现为BFL架构的安全性研究提供了新的视角，并为构建更开放和安全的元宇宙奠定了基础。未来研究将探索针对CPA的防御机制，例如改进模型验证算法和设计更鲁棒的聚合方法。
研究亮点
1. 创新性：本研究首次提出并验证了针对区块链联邦学习架构的合谋式投毒攻击，填补了该领域的研究空白。
2. 高效性：CPA在隐蔽性和鲁棒性方面优于现有攻击方法，能够成功绕过现有的安全机制。
3. 应用价值：研究结果对元宇宙平台的安全性设计具有重要指导意义，有助于推动区块链与联邦学习在更多场景中的应用。
其他有价值的内容
本研究得到了云南省基础研究项目的资助（项目编号：202301AV070003），并引用了大量相关文献，为读者提供了丰富的背景知识和研究参考。
以上报告详细介绍了该研究的背景、流程、结果及其意义，为其他研究者提供了全面的参考。