去中心化联邦学习：安全与隐私综述

联邦学习近年来迅速发展并日益流行，主要由于其隐私保护特性等优势。然而，在该架构中交换模型更新和梯度为恶意用户提供了新的攻击面，这可能危及模型性能和用户及数据隐私。因此，去中心化联邦学习的主要动机之一是通过消除服务器以上的威胁来消除服务器相关威胁，并通过诸如区块链等技术进行补偿。然而，这种优势以新的隐私威胁之形式出现。因此，对该新范式进行彻底的安全分析是必要的。本综述研究了去中心化联邦学习中可能的威胁和对手的变体，并概述了潜在的防御机制。也考虑了去中心化联邦学习的可信度和可验证性。