成员推断攻击（Membership Inference Attack） 和 共谋攻击（Collusive Attack） 是两种不同类型的攻击，虽然它们都涉及到数据隐私，但它们的目标和方式有显著区别。
1. 成员推断攻击（Membership Inference Attack）
定义：成员推断攻击是一种隐私攻击，攻击者试图通过分析模型的行为（如输出或更新的权重）来推断某一特定样本是否出现在训练数据集中。
攻击原理：
- 当一个模型在某些训练数据上表现得非常自信（如预测的置信度特别高），攻击者可以利用这种差异性来推断哪些数据样本曾经用于模型训练。
- 通过观察模型的预测结果，尤其是对某些输入样本的预测，攻击者可以得出这些样本是否是训练数据集的一部分。例如，如果模型对某些输入数据有特别高的置信度，那么攻击者可能推断该输入数据曾用于训练模型。
威胁：此类攻击特别危险，因为它可以导致敏感信息泄露，尤其是在联邦学习环境中使用的医疗或金融数据中。例如，攻击者可以推断某个用户的医疗记录是否用于模型训练，这对用户隐私构成威胁。
2. 共谋攻击（Collusive Attack）
定义：共谋攻击指多个恶意客户端或攻击者协同合作，试图通过分享信息或秘钥来破坏系统安全性，获取其他客户端或服务器上未公开的敏感信息。
攻击原理：
- 在联邦学习中，各客户端之间通常不会直接共享数据，而是将模型更新发送给一个聚合服务器。然而，如果一些客户端恶意合作（共谋），它们可以通过共享各自的信息或解密秘钥，来推断其他客户端的数据或破坏模型的完整性。
- 如果某些客户端与服务器合作，服务器可能通过这些共谋者获得解密秘钥，进而访问其他客户端的敏感数据。通过这一方式，攻击者可以破坏联邦学习的安全性。
威胁：共谋攻击在分布式系统中尤其危险，因为联邦学习依赖于各方的合作，而共谋行为可能破坏这种信任，导致数据泄露或模型篡改。
区别总结：
- 成员推断攻击：攻击者通过分析模型行为（如输出或更新的权重）推测特定数据样本是否用于训练，目标是破坏单个客户端或训练数据集的隐私。
- 共谋攻击：多个客户端或攻击者通过合作分享信息或秘钥来攻击系统，目的是获取其他客户端或服务器的数据，或者破坏模型的安全性和完整性。
简而言之，成员推断攻击专注于推测训练数据，而共谋攻击则是多个攻击者合作破坏系统的安全。