软件学报

作者：汤凌韬，陈左宁，张鲁飞，吴东

单位：汤凌韬，数学工程与先进计算国家重点实验室, 江苏 无锡 21412511,陈左宁，中国工程院, 北京 10008802,张鲁飞，数学工程与先进计算国家重点实验室, 江苏 无锡 21412503,吴东，数学工程与先进计算国家重点实验室, 江苏 无锡 21412504

关键词：联邦学习;数据隐私;隐私攻击;隐私保护

基金：国家重点研发计划(2016YFB1000500); 国家科技重大专项(2018ZX01028102)

随着大数据、云计算等领域的蓬勃发展, 重视数据安全与隐私已经成为世界性的趋势, 不同团体为保护自身利益和隐私不愿贡献数据, 形成了数据孤岛. 联邦学习使数据不出本地就可被多方利用, 为解决数据碎片化和数据隔离等问题提供了解决思路. 然而越来越多研究表明, 由谷歌首先提出的联邦学习算法不足以抵抗精心设计的隐私攻击, 因此如何进一步加强隐私防护, 保护联邦学习场景下的用户数据隐私成为一个重要问题. 对近些年来联邦学习隐私攻击与防护领域取得的成果进行了系统总结. 首先介绍了联邦学习的定义、特点和分类; 然后分析了联邦学习场景下隐私威胁的敌手模型, 并根据敌手攻击目标对隐私攻击方法进行了分类和梳理; 介绍了联邦学习中的主流隐私防护技术, 并比较了各技术在实际应用中的优缺点; 分析并总结了6类目前联邦学习的隐私保护方案; 最后指出目前联邦学习隐私保护面临的挑战, 展望了未来可能的研究方向.

来源：2023年第1期

《软件学报》期刊编辑部

查看软件学报杂志2023年第1期