debasishetc/PhysioAttack-FL

PhysioAttack-FL是一个用于物联网医疗应用中联邦学习系统对抗鲁棒性评估的基准数据集。该数据集包含在良性和对抗条件下收集的联邦客户端模型更新的特征级表示。基准数据是通过在异构树莓派边缘设备上使用生理压力监测数据集进行联邦学习实验生成的。数据集支持恶意客户端检测、鲁棒聚合、拜占庭容错和安全联邦学习的研究。数据集来源于公开的生理数据集SWELL-KW和WESAD，但仅包含从联邦模型更新中提取的派生统计和几何特征，不重新分发原始生理信号。PhysioAttack-FL is a benchmark dataset for adversarial robustness evaluation in Federated Learning (FL) systems for Internet of Medical Things (IoMT) applications. The dataset contains feature-level representations of federated client model updates collected under both benign and adversarial conditions. The benchmark was generated from federated learning experiments conducted on heterogeneous Raspberry Pi edge devices using physiological stress monitoring datasets. The dataset supports research on malicious client detection, robust aggregation, Byzantine resilience, and secure federated learning.

搜集汇总

数据集介绍

构建方式

PhysioAttack-FL数据集源自对联邦学习环境下物联网医疗（IoMT）应用对抗鲁棒性的系统性基准测试。该数据集基于SWELL-KW与WESAD两类公开的生理信号监测数据集，利用由7台树莓派4与3台树莓派5组成的异构边缘设备试验床，开展跨设备联邦学习实验。在每一通信轮次中，系统采集并提取客户端模型更新的统计与几何特征，而非原始生理信号，从而生成包含良性及多种攻击行为（包括符号翻转、缩放、标签翻转和拜占庭攻击）的特征级表示。

特点

该数据集的核心特点在于其精心构建的多维特征工程表示，涵盖L2范数、峰值权重、偏度、峰度、余弦相似度等11项统计与几何指标，以及时间戳、客户端ID等元数据字段。数据同时提供二分类攻击标签与细粒度攻击类型标签，支持从二元判别到多类攻击识别的研究需求。其独特的物理跨设备试验床设计，真实模拟了IoMT环境中由设备异构性与网络不稳定性导致的联邦学习挑战，为鲁棒聚合算法与恶意客户端检测研究提供了贴近实际的评估基准。

使用方法

该数据集的每一行代表一个联邦客户端在特定通信轮次中的模型更新特征向量，可直接作为监督学习任务的输入。研究人员可根据攻击标签训练二分类模型以区分良性或恶意更新，或利用攻击类型标签开展多分类任务以识别具体攻击类别。数据集支持按模型名称或时间戳进行分层采样与交叉验证，适用于联邦学习安全、拜占庭弹性聚合以及隐私保护医疗AI等领域的基准测试与鲁棒性评估。

背景与挑战

背景概述

PhysioAttack-FL数据集由Ystebø等人于2026年创建，旨在应对物联网医疗（IoMT）环境下联邦学习系统面临的安全威胁。该数据集源自SWELL-KW和WESAD两个公开生理数据集，通过异构树莓派边缘设备模拟联邦学习实验，提取了客户端模型更新的统计与几何特征。作为首个专注于IoMT场景下联邦学习对抗鲁棒性的基准数据集，它涵盖良性行为与多种恶意攻击（如符号翻转、缩放、标签翻转及拜占庭攻击），为研究恶意客户端检测、鲁棒聚合策略以及隐私保护医疗AI提供了标准化评估平台，在生物信息学与计算健康领域具有重要影响力。

当前挑战

PhysioAttack-FL所解决的领域挑战在于IoMT联邦学习易受恶意客户端攻击，传统聚合方法难以区分良性更新与精心构造的对抗扰动，导致模型性能崩溃或泄露敏感生理信息。数据集构建过程中面临多重困难：需在真实物理设备（7台树莓派4与3台树莓派5）上复现异构网络与计算约束；从原始生理信号中提取保密的特征表示而非直接分发敏感数据，以平衡隐私与可用性；同时需生成覆盖多种攻击类型的标签数据，确保攻击强度与真实场景对齐，这对特征工程与实验控制提出了严格的要求。

常用场景

经典使用场景

PhysioAttack-FL数据集专为评估联邦学习系统在医疗物联网环境下的对抗鲁棒性而设计，其经典使用场景聚焦于对分布式训练过程中客户端模型更新的安全分析。通过提供源自生理压力监测数据（SWELL-KW和WESAD）的特征级表示，该数据集能够模拟良性客户端与恶意客户端在通信轮次中的行为差异。研究者可借助L2范数、余弦相似度、时间相似性等工程化特征，系统性地分析模型更新的统计分布与几何特性，从而判别异常更新模式，为构建可信联邦学习框架奠定基础。

衍生相关工作

围绕PhysioAttack-FL数据集，学界已衍生出多项关键工作，包括提出结合机器学习辅助的鲁棒聚合框架，该框架通过分类器对更新的正常性进行预判，并动态调整聚合权重以抵御拜占庭攻击。此外，研究者基于该数据集开发了面向联邦学习的轻量化异常检测模型，利用时序相似性与范数增长等特征实现实时恶意行为识别。这些衍生工作共同促进了医疗联邦学习从理论验证向实用化安全部署的跨越，其框架设计与评估方法已被后续研究广泛引证。

数据集最近研究

最新研究方向

PhysioAttack-FL数据集聚焦于联邦学习在医疗物联网场景下的对抗鲁棒性评估，其前沿研究方向包括利用特征工程化的模型更新表示来检测恶意客户端、抵御拜占庭攻击以及增强聚合机制的韧性。该数据集基于异构树莓派设备生成的生理信号数据，反映了联邦学习部署在资源受限边缘设备时的安全挑战，尤其在分布式健康监测系统中，恶意攻击可能导致患者生命体征误判。PhysioAttack-FL的发布推动了隐私保护与安全性的交叉研究，为构建信任驱动的IoMT联邦学习框架提供了标准化基准，其对多种攻击类别和异构客户端的支持，使得鲁棒聚合策略的评估更贴近真实部署环境。