联邦学习（Federated Learning, FL）作为分布式机器学习框架的重要组成部分，其核心机制允许多个参与方在数据本地化前提下协同构建全局模型。该范式通过迭代式参数聚合策略，将各客户端基于私有数据集训练得到的本地模型更新进行融合，有效解决了传统集中式机器学习面临的数据孤岛问题。在医疗健康监测、物联网设备协同以及边缘计算平台等对数据隐私要求严格的领域，这一技术已展现出显著的应用价值。然而，去中心化的架构特性使得联邦学习系统面临严峻的安全挑战，其中后门攻击尤为突出——恶意参与者通过上传包含特定后门模式的模型参数，诱导全局模型在推断阶段对触发样本产生预设的异常响应。当输入样本包含预置的触发特征时，这种隐蔽的攻击机制会绕过常规检测，引发模型对特定输入的误分类行为，严重威胁联邦学习系统的可靠性和安全性。
