典型文献
联邦学习安全防御与隐私保护技术研究
文献摘要：
联邦学习(federated learning,FL)在多个参与方不直接进行数据传输的前提下共同完成模型训练,充分发挥各方数据价值;然而,由于联邦学习的固有缺陷以及存储和通信的安全问题,其在实际应用场景中仍面临多种安全与隐私威胁.首先阐述了 FL面临的安全攻击和隐私攻击;然后针对这两类典型攻击分别总结了最新的安全防御机制和隐私保护手段,包括投毒攻击防御、后门攻击防御、搭便车攻击防御、女巫攻击防御以及基于安全计算与差分隐私的防御手段.通过对联邦学习的现有风险和相应防御手段的系统梳理,展望了联邦学习未来的研究挑战与发展方向.
文献关键词：
联邦学习;安全风险;隐私保护;防御机制;数据融合
中图分类号：
作者姓名：
邱晓慧;杨波;赵孟晨;胡师阳;孙璞
作者机构：
国家金融科技测评中心 研发中心,北京100070;银行卡检测中心,北京100070
文献出处：
引用格式：
[1]邱晓慧;杨波;赵孟晨;胡师阳;孙璞-.联邦学习安全防御与隐私保护技术研究)[J].计算机应用研究,2022(11):3220-3231
A类：
B类：
联邦学习,安全防御,隐私保护技术,federated,learning,FL,参与方,接进,数据传输,共同完成,成模,模型训练,数据价值,安全与隐私,安全攻击,隐私攻击,防御机制,护手,投毒攻击,攻击防御,后门攻击,搭便车,女巫攻击,安全计算,差分隐私,御手,对联,研究挑战,挑战与发展,数据融合
AB值：
0.404237
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
