分布式学习中的联邦学习存在安全和隐私挑战，本研究针对各类机器学习模型，包括大型语言模型，提出了安全和隐私挑战的综合分类，重点关注聚合器和参与者的攻击，包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击，同时提出了未来研究的新方向，旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。

Jul, 2023

提出一种基于区块链和分布式账本技术的安全可靠的联邦学习系统，该系统结合了点对点投票机制和激励 - 惩罚机制来检测和防止恶意行为，理论分析和实证分析表明，该框架抵御了客户端恶意行为。

Jul, 2023

本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

Sep, 2020

提出了一个针对联邦学习的安全可信的区块链框架（SRB-FL），以应对由于不可靠参与设备、大量训练模型和匿名性等方面导致的挑战，建立一个基于区块链分片的安全联邦学习，确保数据可靠性、可扩展性和可信度，并引入一种激励机制提高 FL 设备的可靠性。实验表明，SRB-FL 框架高效可扩展，是实现联邦学习的一种可行解决方案。

Jan, 2022

本文提出了一个基于智能合约的政策控制方法来保障联邦学习管理系统的安全，该方法的目的是管理机器学习模型的访问和验证其完整性，保证参与联邦学习的各方在训练和评估过程中遵循相同的规则。实验证明，该方法是可行的且有效的。

May, 2023

通过模拟结果，本文分析了联邦学习中的隐私和安全问题并提出了保护数据隐私的挑战。

Sep, 2019

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023

使用去中心化的基于区块链的安全可靠的 FLock 系统，采用分布式账本技术来保护数据隐私并设计了一种新增奖励和惩罚机制以检测和防止恶意客户，并提供激励以确保 FLock 系统中的模型参数上传的诚实性和模型质量

Nov, 2022

提出了一种基于边缘计算场景的去中心化区块链联邦学习（FL）结构，利用区块链提高 FL 结构的安全性，并应用区块链创建 FL 的奖励机制以实现训练者的激励策略。

Nov, 2023

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023