首页|不同场景的联邦学习安全与隐私保护研究综述

不同场景的联邦学习安全与隐私保护研究综述

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
随着大数据不断发展,联邦学习已被广泛应用于各种各样的场景,从而方便人们的生产生活,但该技术给人们带来便利的同时也让用户面临着数据泄露的挑战,因此数据安全成为联邦学习研究的热点问题.通过介绍横向及纵向联邦学习的训练过程,并对该过程的潜在对手及其攻击原因进行研究,从而分类总结了现有的攻击手段,如投毒攻击、对抗攻击及模型逆推攻击等;在两种场景下分类介绍针对几种攻击手段的防御措施,如梯度稀疏化、恶意检测、秘密样本对齐、标签保护、加密共享和扰动共享等,这些方法不仅可以保证参与方的数据安全,也可以保证联合模型的准确率;最后根据对现有技术的研究,总结了现存方法存在的问题及未来的研究方向.
Survey on security and privacy protection in different scenarios of federated learning

孙爽、李晓会、刘妍、张兴

展开 >

辽宁工业大学 电子与信息工程学院,辽宁 锦州 121000

横向联邦学习 纵向联邦学习 隐私泄露 数据安全 隐私保护

国家自然科学基金青年基金辽宁省教育厅科学研究经费项目辽宁省教育厅科学研究经费项目

61802161JZL202015402JZL202015404

2021

10.19734/j.issn.1001-3695.2021.03.0157

计算机应用研究
四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心
影响因子：0.93
ISSN：1001-3695
年,卷(期)：2021.38(12)
  • 11
  • 3