大数据 ›› 2021, Vol. 7 ›› Issue (3): 2021030-.doi: 10.11959/j.issn.2096-0271.2021030

• 研究 • 上一篇    

联邦学习隐私保护研究进展

王健宗, 孔令炜, 黄章成, 陈霖捷, 刘懿, 卢春曦, 肖京   

  1. 平安科技(深圳)有限公司,广东 深圳 518063
  • 出版日期:2021-05-01 发布日期:2021-05-01
  • 作者简介:王健宗(1983- ),男,博士,平安科技(深圳)有限公司副总工程师,资深人工智能总监,联邦学习技术部总经理。美国佛罗里达大学人工智能博士后,中国计算机学会高级会员,中国计算机学会大数据专家委员会委员,主要研究方向为联邦学习和人工智能等。
    孔令炜(1995- ),男,平安科技(深圳)有限公司联邦学习团队算法工程师,中国计算机学会会员,主要研究方向为联邦学习系统和安全通信等。
    黄章成(1990- ),男,平安科技(深圳)有限公司联邦学习团队资深算法工程师,人工智能专家,中国计算机学会会员,主要研究方向为联邦学习、分布式计算及系统和加密通信等。
    陈霖捷(1994- ),男,平安科技(深圳)有限公司联邦学习团队算法工程师,主要研究方向为联邦学习与隐私保护、机器翻译等。
    刘懿(1994- ),女,平安科技(深圳)有限公司联邦学习团队算法工程师,主要研究方向为联邦学习系统等。
    卢春曦(1994- ),女,平安科技(深圳)有限公司联邦学习技术团队产品经理,负责联邦学习系统研发与应用落地。
    肖京(1972- ),男,博士,中国平安集团首席科学家,2019年吴文俊人工智能杰出贡献奖获得者,中国计算机学会深圳分部副主席,主要研究方向为计算机图形学、自动驾驶、3D显示、医疗诊断、联邦学习等。
  • 基金资助:
    国家重点研发计划资助项目(2018YFB1003503)

Research advances on privacy protection of federated learning

Jianzong WANG, Lingwei KONG, Zhangcheng HUANG, Linjie CHEN, Yi LIU, Chunxi LU, Jing XIAO   

  1. Ping An Technology (Shenzhen) Co.Ltd., Shenzhen 518063, China
  • Online:2021-05-01 Published:2021-05-01
  • Supported by:
    The National Key Research and Development Program of China(2018YFB1003503)

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

Abstract:

To this end, many laws and regulations on privacy protection have been introduced, and the phenomenon of data-island has become a major bottleneck hindering the development of big data and artificial intelligence technology.Federated learning has received widespread attention to break this phenomenon.Started with the historical development of federated learning, the definition, and architecture and classification of federated learning, the advantages of federated learning in privacy protection domainwere introduced.At the same time, various attack methods and their classification aboutfederated learning were introduced in detail.The classification of various encryption algorithms in federated learning were summarized.In conclusion, the contribution of federated learning in privacy protection and security mechanism were summarized and the new challenges in these domains were proposed.

Key words: federated learning, federated learning system attack, privacy protection, encryption algorithm

中图分类号: 

No Suggested Reading articles found!