联邦学习中的安全与隐私
密码学与安全
2022-03-17 v2
摘要
近期诸如欧盟《通用数据保护条例》等隐私意识举措使机器学习（ML）受到隐私与安全评估的制约。联邦学习（FL）提供了一种隐私驱动、去中心化的训练方案，提升了ML模型的安全性。业界对FL技术的快速适应与安全评估暴露了各种威胁FL机密性、完整性或可用性（CIA）的漏洞。本工作通过回顾最先进（SoTA）技术并构建一个涵盖攻击面、对抗行为者、能力与目标的威胁模型，评估了FL的CIA。我们提出了首个统一的攻击与防御分类法，并给出了有前景的未来研究方向。
引用
@article{arxiv.2112.05423,
title = {On the Security & Privacy in Federated Learning},
author = {Gorka Abad and Stjepan Picek and Víctor Julio Ramírez-Durán and Aitor Urbieta},
journal= {arXiv preprint arXiv:2112.05423},
year = {2022}
}