一种基于神经元级多维特征重构的多智能体联邦强化学习中毒攻击防御方法

本发明公开了一种基于神经元级多维特征重构的多智能体联邦强化学习中毒攻击防御方法，涉及分布式机器学习与系统安全技术领域。针对现有全局防御机制面对高隐蔽性稀疏投毒攻击时存在维度灾难且检测效能低下的问题，本发明将异常审查粒度下沉至神经元级低维特征空间。该方法首先对各智能体上传的本地模型按线性层提取幅度畸变、方向一致性与分布畸变等多维统计特征并降维拼接；其次，利用特征自编码器对特征向量进行无监督重构，通过均方重构误差评估节点安全风险；最后，基于历史正常误差滑动窗口动态计算拦截阈值，筛选良性节点执行自适应容错安全聚合，并利用安全特征在线微调自编码器。本发明无需先验攻击知识即可精准拦截未知隐蔽攻击，有效适应多智能体策略演进的概念漂移，显著提升了系统的鲁棒性。