开篇，我先讲个真实的故事。去年我帮一家金融科技公司做联邦学习系统，六家银行联合训练风控模型。
系统上线第三天，聚合结果突然异常——模型准确率从87%暴跌到23%。排查发现，其中一家银行的节点提交的梯度全是随机噪声。
更棘手的是，由于我们用了安全聚合（上篇讲的可验证秘密共享），连聚合服务器都看不到明文梯度，根本无法判断哪个节点在“投毒”。
这个场景就是典型的梯度中毒攻击（Gradient Poisoning Attack）。攻击者可能是一个被攻破的参与方，也可能是恶意内部人员。
他们提交精心构造的恶意梯度，要么让模型收敛到错误方向（定向攻击），要么直接破坏模型性能（随机攻击）。
在传统联邦学习中，我们可以用统计方法检测异常梯度，但在安全聚合的“数据不可见”约束下，这个任务变得极其困难。
痛点拆解：为什么“盲人摸象”式的防御行不通？
很多人的第一反应是：“我在聚合前算一下梯度的范数，把离群值剔除不就行了？”这个思路没错，但在安全聚合场景下，你根本看不到单个梯度。
你只能看到聚合后的密文结果。
看这个反例代码，它试图在解密前做检测，但注定失败：
# 错误示例：试图在密文上检测异常defnaive_defense
