文献类型：期刊文章

作　　者：孙爽[1] 李晓会[1] 刘妍[1] 张兴[1]

Sun Shuang;Li Xiaohui;Liu Yan;Zhang Xing(School of Electronics&Information Engineering,Liaoning University of Technology,Jinzhou Liaoning 121000,China)

机构地区：[1]辽宁工业大学电子与信息工程学院,辽宁锦州121000

出　　处：《计算机应用研究》

基　　金：国家自然科学基金青年基金资助项目(61802161);辽宁省教育厅科学研究经费资助项目(JZL202015402,JZL202015404)。

年　　份：2021

卷　　号：38

期　　号：12

起止页码：3527-3534

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：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。

关 键 词：横向联邦学习  纵向联邦学习  隐私泄露 数据安全 隐私保护

分 类 号：TP309.2]