联邦学习与攻防对抗综述北大核心CSCD |
| |
作者姓名: | 杨丽朱凌波于越明苗银宾 |
| |
作者单位: | 1.西安电子科技大学网络与信息安全学院710126; |
| |
基金项目: | 国家自然科学基金[62072361];陕西省重点研发计划[2022GY-019];陕西省数理基础科学研究项目[22JSY019]。 |
| |
摘 要: | 随着机器学习技术的不断发展,个人隐私问题被广泛重视。由于用户数据被发送至中心节点导致集中学习受到相当程度的制约,所以联邦学习作为一个数据不出本地便可以完成模型训练的框架应运而生。但联邦学习机制依旧会受到各种攻击的影响而导致安全性和隐私性降低。文章先从联邦学习的基本定义入手,再对机密性和完整性两个方面进行重点分析、总结联邦学习中的威胁和防御手段,最后结合这些问题来讨论该领域在未来的发展方向。
|
关 键 词: | 联邦学习 机密性 完整性 防御手段 |
本文献已被 维普 等数据库收录! |
|