高级持续性威胁（APT）在医疗、金融等关键行业的联邦学习（FL）部署中构成重大风险。传统防御难以捕捉攻击者的间歇性行为，导致防护失效。本文聚焦一种特定的 APT——隐蔽模型投毒（CMP），攻击者以不易察觉的方式间歇注入中毒模型更新。
为刻画 FL 服务器与 CMP 攻击者的交互，作者将其建模为一个不完美的重复博弈，双方均无法直接观察对方的动作。基于此，提出了全新的对抗搜索算法 StratFL，并在服务器和攻击者两端设计了信念更新机制，使得双方能够在信息不完全的情况下推断对方的策略。
实验在 MNIST 与 CIFAR-10 两个数据集上进行，对比了 StratFL 与当前最先进的防御方法。结果显示，信念更新算法在多种安全场景下均实现了收敛；同时 StratFL 在模型准确率上提升约 10%，显著优于基线。
点评：StratFL 通过将博弈论与联邦学习深度融合，为隐蔽投毒提供了可解释且高效的防御思路，值得在实际部署中进一步验证。