计算机工程

作者：熊世强, 何道敬, 王振东, 杜润萌

单位：1. 江西理工大学信息工程学院, 江西 赣州 341000;2. 哈尔滨工业大学(深圳)计算机科学与技术学院, 广东 深圳 518055;3. 华东师范大学计算机科学与技术学院, 上海 200062

关键词：联邦学习,数据安全,攻击方式,隐私保护,安全三要素

基金：国家自然科学基金(62062037);江西省自然科学基金(20212BAB202014)。

联邦学习(FL)是一种新兴的分布式机器学习技术,只需将数据留在本地即可通过各方协作训练一个共有模型,解决了传统机器学习中数据难以采集和隐私安全的问题。随着联邦学习技术的应用和发展,相关研究发现联邦学习仍可能受到各类攻击。为了确保联邦学习的安全性,研究联邦学习中的攻击方式及相应的隐私保护技术显得尤为重要。首先介绍了联邦学习的背景知识及相关定义,总结概括了联邦学习的发展历程及分类;接着阐述了联邦学习的安全三要素,从基于安全来源和基于安全三要素2个角度分类概述了联邦学习中的安全问题及研究进展;然后对隐私保护技术进行分类,结合相关研究应用综述了联邦学习中安全多方计算(SMC)、同态加密(HE)、差分隐私(DP)、可信执行环境(TEE)4种常用隐私保护技术;最后对联邦学习的未来研究方向进行展望。

来源：2024年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第5期