文献类型：期刊文章

作　　者：王健宗[1] 孔令炜[2] 黄章成[2] 陈霖捷[2] 刘懿[2] 卢春曦[2] 肖京[1]

WANG Jianzong;KONG Lingwei;HUANG Zhangcheng;CHEN Linjie;LIU Yi;LU Chunxi;XIAO Jing(Ping An Technology(Shenzhen)Co.Ltd.,Shenzhen 518063,China)

机构地区：[1]平安科技(深圳)有限公司,广东深圳518063 [2]平安科技(深圳)有限公司联邦学习团队,广东深圳518063

出　　处：《大数据》

基　　金：国家重点研发计划资助项目(No.2018YFB1003503,No.2018YFB0204400,No.2017YFB1401202)。

年　　份：2021

卷　　号：7

期　　号：3

起止页码：130-149

语　　种：中文

收录情况：NSSD、RCCSE、ZGKJHX、普通刊

摘　　要：针对隐私保护的法律法规相继出台,数据孤岛现象已成为阻碍大数据和人工智能技术发展的主要瓶颈。联邦学习作为隐私计算的重要技术被广泛关注。从联邦学习的历史发展、概念、架构分类角度,阐述了联邦学习的技术优势,同时分析了联邦学习系统的各种攻击方式及其分类,讨论了不同联邦学习加密算法的差异。总结了联邦学习隐私保护和安全机制领域的研究,并提出了挑战和展望。

关 键 词：联邦学习  联邦学习系统攻击  隐私保护 加密算法

分 类 号：TP311]