计算机应用

作者：郗恩康, 范菁, 金亚东, 董华, 俞浩, 孙伊航

单位：1.云南民族大学 电气信息工程学院，昆明 650504；2.云南省无人自主系统重点实验室（云南民族大学），昆明 650504；3.云南省高校信息与通信安全灾备重点实验室（云南民族大学），昆明 650504

关键词：联邦学习,隐私威胁,安全威胁,大语言模型,分布式机器学习

基金：国家自然科学基金资助项目(12361104);教育部-新一代信息技术创新项目(2023IT077);云南省教育厅科学研究基金资助项目(2025Y0670);云南省教育厅科学研究基金资助项目(2023Y0499);CCF?深信服“远望”科研基金资助项目(CCF-SANGFOR OF 20240210);云南省吴中海专家工作站项目(202305AF150045)

作为一种新型的分布式机器学习，联邦学习在解决数据孤岛和隐私保护问题上具有一定潜力，然而它面临着潜在的隐私威胁和安全威胁。因此，系统性综述联邦学习在隐私与安全领域的前沿研究成果，详细阐述联邦学习的基本概念和工作流程，并对联邦学习中的隐私和安全问题在现有前沿的研究成果上进行分类。首先，分析联邦学习中的隐私威胁，归纳相应的隐私保护方法；其次，总结联邦学习中的安全威胁问题，并介绍相应的安全攻击的防御方法；最后，讨论联邦学习中未来需要解决的挑战，并针对ChatGPT和DeepSeek等大语言模型（LLM）在联邦学习中的应用，进一步探讨LLM带来的计算效率瓶颈与隐私泄露挑战。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期