联邦学习中的安全威胁与防御措施综述

• 全文链接
• 请求原文

作   者：

陈学斌;  任志强;  张宏扬; 

作者机构：

华北理工大学理学院; 

关键词：

鲁棒性与隐私性;  机器学习;  联邦学习;  隐私保护;  攻击与防御; 

期刊名称：

计算机应用

i s s n：

年卷期：

2024 年 006 期

页   码：

1663-1672

摘   要：

联邦学习是一种用于解决机器学习中数据共享问题和隐私保护问题的分布式学习方法,旨在多方共同训练一个机器学习模型并保护数据的隐私;但是,联邦学习本身存在安全威胁,这使得联邦学习在实际应用中面临巨大的挑战,因此,分析联邦学习面临的攻击和相应的防御措施对联邦学习的发展和应用至关重要.首先,介绍联邦学习的定义、流程和分类,联邦学习中的攻击者模型;其次,从联邦学习系统的鲁棒性和隐私性两方面介绍可能遭受的攻击,并介绍不同攻击相应的防御措施,同时也指出防御方案的不足;最后,展望安全的联邦学习系统.