-
题名联邦学习中的安全威胁与防御措施综述
被引量：10
- 1
-
-
作者
陈学斌
任志强
张宏扬
-
机构
华北理工大学理学院
河北省数据科学与应用重点实验室(华北理工大学)
唐山市数据科学重点实验室(华北理工大学)
-
出处
《计算机应用》
CSCD
北大核心
2024年第6期1663-1672,共10页
-
基金
国家自然科学基金资助项目(U20A20179)。
-
文摘
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。
-
关键词
联邦学习
隐私保护
攻击与防御
机器学习
鲁棒性与隐私性
-
Keywords
federated learning
privacy protection
attack and defense
machine learning
robustness and privacy
-
分类号
TP309.2
[自动化与计算机技术—计算机系统结构]
-
