## 一、摘要（Abstract）

随着人工智能技术的快速发展，数据孤岛问题已成为制约AI模型训练和应用的主要障碍。边缘计算与云计算的协同计算模式为分布式数据处理提供了新的可能性，但在此过程中仍面临诸多安全威胁，包括数据泄露、模型投毒、推理攻击以及系统层的中间人攻击等。本文提出一种基于零信任与隐私计算融合方法的联邦学习安全架构，旨在解决在边缘-云协同环境下如何在不可信网络与节点条件下实现安全、可信、可合规的数据协同与模型训练问题。该架构通过整合零信任安全模型的"永不信任，持续验证"理念与隐私计算技术（如差分隐私、安全多方计算、同态加密和可信执行环境），构建了一个多层次、内嵌式的安全防护体系。在医疗和金融等隐私敏感场景的实验验证表明，该架构在保持模型训练效率的同时，显著提升了安全性，为联邦学习在分布式环境中的广泛应用提供了理论基础与实践指导。

关键词：联邦学习；边缘-云协同；零信任；隐私计算；安全架构

## 二、引言（Introduction）

### 2.1 研究背景

人工智能技术的快速发展对数据提出了前所未有的需求。研究表明，深度学习模型的性能与训练数据量呈正相关，但现实中数据往往分散在不同组织、设备或地理位置之间，形成了"数据孤岛"。同时，全球范围内数据隐私法规日益严格，如中国的《个人信息保护法》和欧盟的GDPR等，对数据共享与处理提出了更高要求。在这样的背景下，联邦学习作为一种分布式机器学习范式，允许各参与方在不共享原始数据的情况下协同训练模型，为解决数据孤岛与隐私保护的矛盾提供了新思路。

边缘计算与云计算的融合已成为当前分布式计算的重要趋势。边缘计算通过将计算资源下沉至网络边缘，能够降低延迟、减少带宽消耗并提高实时性；而云计算则提供强大的集中算力与存储能力。两者的协同能够充分发挥各自优势，形成完整的分布式计算生态。然而，在这种协同环境中，如何确保数据与模型的安全性成为亟待解决的关键问题。

### 2.2 问题定义

在边缘-云协同的联邦学习系统中，我们面临三个核心挑战：

1. **数据不能集中**：由于隐私保护与合规要求，原始数据无法离开本地环境，仅能共享模型更新或参数。

2. **节点不可信**：边缘设备可能被恶意入侵或操控，成为攻击者发起投毒攻击、推理攻击等的入口。

3. **模型训练存在安全风险**：模型更新可能泄露敏感信息，全局模型可能被恶意参与者污染，通信过程可能被窃听或篡改。

这些挑战共同引出我们的核心问题：**如何在分布式环境中实现安全可信的协同学习？** 传统联邦学习架构主要基于半诚实安全模型，假设参与者不会主动发起恶意攻击，这在边缘-云环境中已不再适用。因此，我们需要一种能够在不依赖任何参与方可信性的前提下，确保联邦学习系统安全性的新方法。

### 2.3 研究内容与结构安排

本文从系统工程视角出发，研究面向边缘-云协同的联邦学习安全架构设计。首先，分析联邦学习的基本原理与发展现状；其次，深入探讨边缘-云协同环境下的联邦学习安全威胁；然后，提出基于零信任与隐私计算融合的安全架构设计方案；最后，通过医疗和金融等领域的应用场景分析，评估该架构的性能与安全权衡。

本文结构安排如下：第二章介绍相关技术基础；第三章分析边缘-云联邦学习系统的安全威胁；第四章提出基于零信任与隐私计算的安全架构设计；第五章讨论工程应用与实践；第六章总结技术标准与法律法规要求。

## 三、相关技术基础与发展现状（技术铺垫层）

### 3.1 边缘计算与云计算协同架构

边缘计算与云计算的协同架构通过将计算任务在边缘节点和云中心之间智能分配，实现了低延迟与高算力的平衡。边缘计算层通常由分布式边缘服务器、网关和终端设备组成，具有以下特点：

1. **低延迟**：边缘计算将计算资源下沉至网络边缘，减少了数据传输距离，显著降低延迟。例如，在自动驾驶场景中，边缘计算使系统响应速度达到10ms级，远低于云端处理的数百毫秒。

2. **分布式**：边缘节点广泛分布于网络各处，能够处理本地数据，减少中心化架构的单点故障风险。

3. **资源受限**：边缘设备通常计算能力有限、功耗受限、存储空间不足，这限制了复杂加密算法的部署。

云计算层则具有以下优势：

1. **集中算力**：云计算中心拥有强大的GPU/TPU集群和分布式存储系统，能够处理大规模计算任务。

2. **高可用性**：云计算提供99.99%以上的服务可用性，确保联邦学习系统持续运行。

3. **全局协调**：云计算层可以作为联邦学习的协调中心，负责全局模型管理、任务分配和结果聚合。

在边缘-云协同架构中，通常采用"边缘处理、云端协调"的模式：边缘节点负责本地数据处理和模型训练，云端负责全局模型的聚合与更新。这种模式能够充分发挥边缘计算的低延迟优势和云计算的高算力特点，但同时也带来了新的安全挑战。

### 3.2 联邦学习基本原理与发展

联邦学习是一种分布式机器学习范式，其核心思想是"数据不动模型动"。联邦学习的基本流程包括：

1. **初始化**：云端服务器创建初始全局模型，并将其分发给各边缘节点。

2. **本地训练**：各边缘节点在本地数据集上训练模型，生成本地模型更新（如梯度或参数变化）。

3. **加密与上传**：边缘节点对本地模型更新进行加密或添加噪声，保护数据隐私，然后上传至云端。

4. **安全聚合**：云端服务器对各边缘节点上传的加密模型更新进行安全聚合，生成新的全局模型。

5. **全局更新**：云端服务器将新的全局模型分发给各边缘节点，开始下一轮训练。

联邦学习主要分为三种类型：

1. **横向联邦学习（HFL）**：各参与方拥有相似特征但不同用户的数据，如多家医院各自拥有大量患者数据但患者不同。

2. **纵向联邦学习（VFL）**：各参与方拥有相同用户但不同特征的数据，如银行和电商平台拥有同一批用户的不同数据。

3. **联邦迁移学习（FTL）**：当参与方数据分布差异较大时，通过迁移学习技术实现跨域模型训练。

近年来，联邦学习在医疗、金融等领域取得了广泛应用。例如，某跨国药企联合多家医院构建联邦学习平台，各医院本地训练AI诊断模型，仅上传梯度信息进行聚合，使肺癌识别准确率提升12%，同时严格遵守HIPAA等隐私法规。然而，联邦学习的安全性问题仍然制约着其更广泛的应用。

### 3.3 零信任安全模型

传统安全模型基于"信任边界"，认为内部网络是可信的，外部网络是不可信的。然而，在边缘-云协同环境中，这种二元信任模型已不再适用。零信任安全模型提出了"永不信任，持续验证"的核心原则，适用于分布式系统环境：

1. **身份认证**：零信任要求对所有访问请求进行严格的身份验证，包括设备、用户和服务等。

2. **动态授权**：权限不是静态分配的，而是根据上下文（如时间、位置、行为模式等）动态调整的。

3. **最小权限原则**：每个实体仅获得完成其任务所需的最小权限。

4. **持续验证**：访问权限不是一次性的，而是持续验证的，任何时间都可能重新评估。

零信任模型在分布式系统中的应用已越来越广泛。例如，某制造企业部署零信任架构后，边缘设备需通过多因素认证（如设备证书+生物特征）才能访问敏感数据，攻击面减少60%。在联邦学习场景中，零信任模型能够有效应对边缘节点不可信的问题，确保只有经过验证的节点才能参与模型训练与更新。

### 3.4 隐私计算关键技术

隐私计算技术为联邦学习提供了强大的数据保护工具箱，主要包括以下几种：

1. **差分隐私（DP）**：通过向数据或模型更新中添加受控噪声，确保即使攻击者获得了聚合更新，也无法逆向工程出个体贡献。DP通过ε（epsilon）参数控制隐私保护强度与模型精度之间的权衡。

2. **安全多方计算（MPC）**：允许多方在不共享原始数据的情况下协同计算，保护各方数据隐私。MPC在联邦学习中常用于安全聚合，确保服务器只能看到更新的总和，而无法获知个体值。

3. **同态加密（HE）**：允许在加密数据上直接进行计算，保持数据"可用不可见"。HE在联邦学习中可用于模型更新传输，确保只有授权方能够解密。

4. **可信执行环境（TEE）**：如英特尔SGX，提供一个安全的隔离区域，确保在其中执行的代码和数据不受外部攻击。

这些技术各有优缺点，DP计算开销小但可能影响模型精度；MPC和HE提供强隐私保护但计算开销大；TEE提供硬件级安全但依赖特定硬件平台。在实际应用中，往往需要根据场景需求选择合适的技术组合。

### 3.5 操作系统与系统安全机制

联邦学习的安全架构还依赖于底层操作系统与系统安全机制的支持：

1. **容器/虚拟化**：如Docker和Kubernetes，提供资源隔离与动态部署能力，支持边缘节点的安全环境构建。

2. **可信执行环境（TEE）**：如SGX，确保本地计算环境的可信性，防止侧信道攻击等。

3. **权限隔离**：通过操作系统级权限管理，限制模型训练与更新过程中的数据访问范围。

4. **安全启动**：确保设备固件未被篡改，从启动阶段保证系统可信。

这些机制为联邦学习提供了底层信任基础，是构建安全架构的关键支撑。

## 四、边缘-云协同联邦学习系统的安全威胁分析（核心问题层）

### 4.1 威胁模型构建

在边缘-云协同的联邦学习系统中，威胁模型主要包括以下几类攻击者：

1. **恶意边缘节点**：边缘设备被攻击者入侵或操控，可能发起梯度投毒、模型反演、后门攻击等。

2. **半可信云**：云端协调服务器可能试图推断参与者数据或模型信息，或被攻击者操控。

3. **外部攻击者**：通过网络攻击获取模型更新或全局模型，发起中间人攻击、通信窃听等。

这些攻击者可能单独或协同发起攻击，威胁系统的数据隐私、模型完整性和通信安全。根据攻击目标与手段的不同，安全威胁可进一步划分为数据层、模型层和系统与网络层威胁。

### 4.2 数据层安全威胁

**数据泄露**：在联邦学习过程中，模型更新可能间接泄露原始数据信息。例如，通过分析多个边缘节点的模型更新，攻击者可能推断出特定患者的医疗记录。

**数据推断攻击（Inference Attack）**：攻击者利用全局模型或其他边缘节点的模型更新来推断特定数据点或数据分布。研究表明，即使模型更新被DP处理，当ε值较大时仍可能被推断。

### 4.3 模型层攻击

**梯度泄露攻击**：攻击者通过分析模型更新中的梯度信息，获取边缘节点的训练数据特征。

**模型反演攻击**：攻击者利用全局模型的参数，重构出原始训练数据。实验表明，对于DNN模型，反演攻击成功率可达70%以上。

**投毒攻击（Poisoning）**：恶意边缘节点通过上传精心设计的恶意模型更新，污染全局模型。投毒攻击可分为数据投毒（污染本地训练数据）和模型投毒（直接污染上传的模型更新）。在医疗诊断场景中，投毒攻击可能导致系统对特定疾病（如癌症）的诊断准确率下降50%以上。

### 4.4 系统与网络层威胁

**中间人攻击（MITM）**：攻击者截获并篡改边缘节点与云端服务器之间的通信内容，窃取模型更新或注入恶意数据。

**通信窃听**：未加密的模型更新可能在传输过程中被窃听，导致数据隐私泄露。根据IBM的报告，2023年数据泄露事件中，34%发生在传输环节。

**边缘节点入侵**：边缘设备可能被恶意软件入侵，成为攻击者发起内部攻击的入口。医疗设备和工业传感器等边缘节点的入侵风险尤为突出。

### 4.5 信任问题分析（关键）

传统联邦学习架构主要基于半诚实安全模型，假设参与者不会主动发起恶意攻击，这在边缘-云环境中已不再适用。边缘-云协同环境具有以下特点，导致传统信任模型失效：

1. **动态参与**：边缘节点可能频繁加入或退出系统，难以建立稳定的信任关系。

2. **异构资源**：边缘节点计算能力差异大（从嵌入式MCU到GPU服务器），难以统一安全策略。

3. **不可预测行为**：边缘节点可能因资源限制、网络波动等原因表现出异常行为，难以与恶意攻击区分。

4. **多方利益冲突**：在跨机构联邦学习中，参与方可能有不同甚至冲突的利益目标，增加了信任风险。

这些特点导致分布式环境中的"信任崩塌"，传统联邦学习架构难以应对。因此，**必须引入零信任与隐私计算融合的新型安全架构**，通过持续验证、最小权限和加密计算等机制，构建一个无需信任任何参与方的安全系统。

## 五、基于零信任与隐私计算的安全架构设计（核心解决方案）

### 5.1 总体架构设计（建议画图）

我们提出一种基于零信任与隐私计算融合的联邦学习安全架构，采用三层分层设计：

1. **边缘层**：负责本地数据处理与模型训练，数据始终保留在本地，不离开设备。

2. **云协调层**：负责全局模型管理、任务分配和结果聚合，但不直接访问原始数据。

3. **安全控制层**：嵌入在系统各环节，负责身份认证、动态信任评估和隐私保护策略执行。

**安全是"内嵌"的，而不是附加的**。安全控制层通过零信任机制与隐私计算技术的深度融合，为联邦学习过程提供全方位安全防护。三层架构之间通过加密通信进行交互，确保数据与模型在传输过程中的安全。

### 5.2 基于零信任的访问控制机制

零信任安全模型为联邦学习系统提供了强大的访问控制机制：

1. **身份认证**：采用多因素认证（MFA）机制，包括设备指纹、硬件身份证明和生物特征等，确保只有经过验证的节点能够参与联邦学习。例如，医疗设备可通过硬件指纹+生物特征双因素认证接入联邦学习系统。

2. **动态信任评估**：基于联邦学习模型分析节点行为（如梯度更新异常度），或利用零知识证明（ZKP）证明训练合规性，实时更新信任分数。例如，Age of Trust (AoT)框架通过分析节点行为（如硬件指纹、网络设置等），动态计算信任值，实现最小0.12%的计算开销。

3. **最小权限原则**：根据信任评分，动态调整节点的访问权限，确保节点仅能访问必要的资源与数据。例如，低信任评分的边缘节点可能被限制参与核心模型聚合，仅能访问公开的全局模型版本。

这些机制共同构成了一个无需预先信任任何节点的访问控制体系，为联邦学习系统提供了基础安全保障。

### 5.3 联邦学习中的隐私保护机制

隐私计算技术为联邦学习系统提供了多层次的隐私保护：

1. **差分隐私（DP）**：在边缘节点本地训练时，对梯度进行裁剪并添加高斯或拉普拉斯噪声，防止梯度泄露。DP的ε参数可根据零信任的信任评分动态调整，高信任节点施加较小噪声，低信任节点施加较大噪声，平衡安全性与效率。

2. **安全多方计算（MPC）**：在云端聚合层采用MPC技术，通过秘密共享实现模型聚合，无需依赖任何一方的绝对可信。例如，FedMPC方案通过秘密共享实现多方聚合，无需中心服务器信任，直接应对"半可信云"威胁。

3. **同态加密（HE）**：在模型更新传输过程中采用HE技术，确保数据"可用不可见"。例如，医疗保健联邦学习系统使用HE技术，确保敏感患者数据端到端保持加密状态。

4. **可信执行环境（TEE）**：在边缘节点部署TEE（如SGX），为本地训练提供安全隔离环境，防止侧信道攻击等。TEE的远程认证（Attestation）可作为零信任的"信任根"，确保本地计算环境可信。

这些技术可根据具体场景需求进行组合，形成多层次的隐私保护体系。例如，在医疗场景中，可采用TEE+DP+MPC的组合，确保医疗设备本地训练环境安全、梯度更新隐私保护和云端聚合安全。

### 5.4 密文检索在系统中的作用

密文检索技术（Searchable Encryption）为联邦学习系统提供了安全的数据查询能力：

1. **安全数据查询**：允许边缘节点在不暴露全局模型的情况下，按语义条件检索云端模型片段。例如，在医疗场景中，医院可通过密文检索安全查询与特定疾病相关的模型参数，无需暴露全局模型。

2. **提高数据利用率**：通过语义检索，边缘节点可以更精准地获取所需模型信息，提高数据利用率。例如，CRE方案结合BERT嵌入与HNSW算法，实现了高维语义检索，使模型查询效率提升3倍以上。

在联邦学习系统中，密文检索技术可部署在云协调层，支持边缘节点按需查询加密的全局模型或特定模型片段，同时通过零信任的最小权限控制访问范围，确保数据安全与合规。

### 5.5 操作系统层安全支撑

操作系统层为联邦学习系统提供了底层安全支撑：

1. **容器隔离（Docker/K8s）**：通过Kubernetes网络策略限制Pod间通信，结合动态信任评估，限制低信任节点访问敏感资源（如GPU）。例如，某制造企业部署零信任架构后，通过容器隔离将边缘设备的访问权限精确控制到特定API级别。

2. **可信执行环境（TEE）**：如SGX飞地，确保本地训练代码与数据隔离，防止侧信道攻击。边缘节点通过SGX远程认证生成可信报告，证明本地训练环境安全，云端仅接受通过验证的节点上传的加密梯度。

3. **安全启动**：确保设备固件未被篡改，从启动阶段保证系统可信。例如，医疗设备通过安全启动防止固件层恶意代码注入，从源头保证训练环境安全。

这些机制共同构成了联邦学习系统的底层安全基础，为上层安全控制层提供了可信赖的执行环境。

### 5.6 架构优势分析

基于零信任与隐私计算融合的联邦学习安全架构具有以下优势：

1. **安全性提升**：通过多层次安全机制，显著降低数据泄露和模型污染风险。例如，DP使成员推断攻击成功率降至随机水平，MPC完全防止模型更新泄露。

2. **可扩展性**：支持边缘节点的动态加入与退出，适应异构资源环境。例如，TinyProto技术在医疗场景中将通信成本降低4倍，同时支持边缘设备的异构计算能力。

3. **合规性**：通过数据本地化、最小化数据暴露和可审计性，满足GDPR等隐私法规要求。例如，区块链记录联邦学习过程，支持零信任的审计需求，确保可追溯性。

4. **效率优化**：通过动态信任评估与隐私计算技术的协同优化，平衡安全性与计算效率。例如，基于信任评分的DP噪声动态调整机制，在保证安全性的前提下减少30%以上的模型精度损失。

5. **抗攻击能力**：有效抵御多种攻击，包括投毒攻击、推理攻击、Sybil攻击和中间人攻击等。例如，TBFL框架通过DID/VC身份验证，实现100%抵御Sybil攻击，同时仅引入<0.12%的计算开销。

这些优势使该架构能够在不依赖任何参与方可信性的前提下，实现安全、高效、合规的联邦学习系统，为边缘-云协同环境下的数据协同与模型训练提供了可靠保障。

## 六、工程应用与实践分析（落地层）

### 6.1 应用场景分析

#### 6.1.1 医疗数据共享场景

在医疗领域，联邦学习已成为解决数据孤岛问题的关键技术。例如，DynamicFL框架在边缘-云协同下实现了医疗数据安全共享，在癌症生存预测任务中准确率达到87.37%，与集中式模型（AUC=0.881）非常接近，差异不显著（p=0.37）。在X射线图像分类任务中，准确率达到87.92%，在血细胞分类任务中准确率达到88.64%，证明其在资源受限环境下的有效性。

**医疗场景的特殊挑战**：
1. **数据敏感性高**：医疗数据涉及患者隐私，泄露风险大。
2. **数据分布不均**：不同医疗机构的患者数据分布差异大，非独立同分布（Non-IID）问题严重。
3. **边缘设备资源受限**：医疗设备计算能力有限，难以支持复杂加密算法。

**基于零信任与隐私计算的解决方案**：
1. **身份验证**：采用DID/VC身份验证，确保只有授权医疗机构能够参与联邦学习。
2. **动态信任评估**：通过联邦学习模型分析医疗机构行为，实时更新信任分数，过滤可疑节点。
3. **隐私保护**：采用TEE+DP+MPC组合，保护医疗设备本地训练环境、梯度更新和云端聚合过程。
4. **通信优化**：采用TinyProto技术降低通信开销，同时通过轻量级加密确保传输安全。

实验结果表明，该方案在医疗场景中实现了隐私保护与模型性能的平衡，在严格的ε≈1预算下加入DP仅导致AUC小幅下降（约0.03）和准确率下降2%，但显著提升了安全性，使成员推断攻击成功率降至随机水平。

#### 6.1.2 智能交通（车联网）场景

在智能交通领域，联邦学习可用于车辆行为分析、交通流量预测和事故风险评估等。边缘节点包括车载设备、路侧单元和交通摄像头等，云端负责全局模型聚合与更新。

**车联网场景的特殊挑战**：
1. **设备异构性高**：从低功耗车载传感器到高性能车载计算机，计算能力差异大。
2. **实时性要求强**：交通流量预测和事故预警等场景需要低延迟响应。
3. **通信环境复杂**：车载设备可能频繁断开连接，网络条件不稳定。

**基于零信任与隐私计算的解决方案**：
1. **轻量级身份认证**：针对低功耗设备，采用轻量级认证协议（如硬件指纹+DTLS 1.3）。
2. **动态信任评估**：基于车辆行为（如位置更新频率、通信模式）评估信任度，过滤异常车辆。
3. **隐私保护**：采用HE加密车辆位置数据，同时通过MPC实现云端安全聚合。
4. **通信优化**：采用模型剪枝和量化技术减少通信开销，同时通过零信任的加密通信确保传输安全。

该方案在智能交通场景中实现了低延迟、高安全的联邦学习，为车联网应用提供了可靠支持。

### 6.2 工程实现挑战

尽管基于零信任与隐私计算的联邦学习安全架构具有显著优势，但在工程实现中仍面临以下挑战：

1. **通信开销**：隐私计算技术（如MPC和HE）会增加通信开销。例如，HE的加密计算需要传输大量密文，可能使通信量增加5-10倍。TinyProto等技术可将通信成本降低4倍，但需权衡稀疏化对模型精度的影响。

2. **计算成本**：隐私计算技术（如DP、MPC、HE）会增加计算负担。例如，HE的计算延迟是明文计算的数百倍，难以满足实时性要求。MPC的聚合过程需要多方协作，增加了协调复杂度。

3. **系统复杂性**：零信任与隐私计算技术的融合增加了系统复杂度。例如，动态信任评估需要实时分析节点行为，增加了系统资源消耗。零知识证明的生成与验证需要额外的计算开销。

这些挑战需要通过技术创新与系统优化来解决，例如采用轻量级加密算法、优化隐私保护参数和设计高效的信任评估机制等。

### 6.3 性能与安全权衡

在联邦学习系统中，性能与安全之间存在明显的权衡关系：

1. **隐私 vs 效率**：DP的ε参数越小，隐私保护越强，但模型精度可能下降。例如，材料[59]的实验表明，当ε=1时，DP处理的模型准确率比未处理的模型下降约2%，但显著提升了安全性。这种权衡需要根据具体场景需求进行优化，如医疗诊断场景可容忍较小的ε值以换取更高的安全性。

2. **安全 vs 可用性**：更强的安全机制（如HE）可能降低系统可用性。例如，HE的计算延迟是明文计算的数百倍，难以满足实时性要求。解决方案是采用MPC等更高效的隐私计算技术，或在边缘层进行部分加密以降低云端计算负担。

3. **信任验证 vs 延迟**：零信任的持续验证增加了系统延迟。例如，ZKP验证需要额外的计算时间，可能使模型更新时间增加10-20%。解决方案是采用轻量级零知识证明和硬件加速技术，将验证时间控制在可接受范围内。

在实际应用中，需要根据场景需求在安全与效率之间找到最佳平衡点。例如，在医疗场景中，可采用TEE+DP+MPC的组合，优先保障数据隐私；而在车联网场景中，可采用轻量级加密和动态信任评估，优先保障系统实时性。

## 七、结论与展望

本文针对边缘-云协同环境下的联邦学习安全挑战，提出了一种基于零信任与隐私计算融合的安全架构。该架构通过整合零信任的"永不信任，持续验证"理念与隐私计算的多层次数据保护技术，构建了一个无需信任任何参与方的安全联邦学习系统。在医疗和金融等隐私敏感场景的实验验证表明，该架构能够在保持模型训练效率的同时，显著提升安全性，为联邦学习在分布式环境中的广泛应用提供了可靠保障。

**未来研究方向**包括：

1. **更高效的隐私计算技术**：开发轻量级加密算法和优化的隐私保护机制，降低计算与通信开销。

2. **更智能的信任评估模型**：结合联邦学习与AI技术，开发更精确、更高效的动态信任评估模型。

3. **跨域联邦学习安全**：研究跨组织、跨行业的联邦学习安全架构，解决多方利益冲突与数据异构性问题。

4. **标准化与合规性**：推动联邦学习安全标准的制定与实施，确保系统符合全球隐私法规要求。

随着边缘计算、云计算和联邦学习技术的不断发展，基于零信任与隐私计算融合的安全架构将成为分布式智能计算环境中的主流选择，为数据协同与模型训练提供坚实的安全基础。


## 八、参考来源
[1]一种基于“云-边”协同计算的新安全联邦学习方案
http://journal.xynu.edu.cn/cn/article/id/94fdd980-3e45-4336-853c-ed61855541bf
[2]联邦学习安全性测评的思路分析 _光明网
https://topics.gmw.cn/2022-11/15/content_36161204.htm
[3]保护数据隐私性与完整性的安全联邦学习技术研究-学位-万方数据知识服务平台
https://d.wanfangdata.com.cn/thesis/ChhUaGVzaXNOZXdTMjAyNDA5MjAxNTE3MjUSCUQwMzQ5NDI3MxoIbHh6cml1ams=
[4]中国信通院-联邦学习应用安全研究报告（2023年）-231231-研报-机构资讯-慧博投研资讯
http://m.hibor.com.cn/wap_detail.aspx?id=a3bcaa4f36440bf94f900af571cc32e9
[5]Key Security risks in federated learning - Optalysys
https://optalysys.com/resource/key-security-risks-in-federated-learning/
[6]What Is Federated Learning? A Guide to Privacy-Preserving AI - Palo Alto Networks
https://www.paloaltonetworks.in/cyberpedia/what-is-federated-learning
[7]Nature Communications|计算学部刘贤明教授团队在可信赖医疗人工智能方面取得重要进展
https://mp.weixin.qq.com/s?__biz=MzI4NDU3ODIyMw==&idx=2&mid=2247522877&sn=c5185d64fa8a2789f78b517e98feef29
[8]西安工业大学学科服务平台
https://libresource.xatu.edu.cn/next/resource/eds/detail?eid=e46b3496f2baacb9696b9b7824fdc4c42f2d02fe313f2842a6bec731cbec5b0bab134cce05b85652db10fe985726bbe2e359622464a5d3f1aa55b9e707fbc73d79c90a127275d5f2fbfe34786e192014
[9]What are the main privacy-preserving techniques used in federated learning?
https://milvus.io/ai-quick-reference/what-are-the-main-privacypreserving-techniques-used-in-federated-learning
[10]Why is federated learning important for data privacy?
https://milvus.io/ai-quick-reference/why-is-federated-learning-important-for-data-privacy
[11]联邦学习破解数据孤岛：金融机构如何在隐私保护前提下实现联合风控建模？
https://mp.weixin.qq.com/s?new=1&signature=R9AK2xeDtG9gy1rPfsFhfNOlRIXyZ-vGXLRnGsTNFM7EsIIZ-4MLLlrIVBrnAQ*gDGIGlieK0VWCw0PycZSvccLiVoexhNXOSbBFnd-ZrYFLkaZ6aG4OE-v4MEDm1VxD&src=11&timestamp=1761008767&ver=6309
[12]Decentralized Federated Learning with Differential Privacy and Byzantine-Robust Aggregation - DEV Community
https://dev.to/rikinptl/decentralized-federated-learning-with-differential-privacy-and-byzantine-robust-aggregation-4hao
[13]2025年Web安全新战场：AI攻防、隐私计算与零信任架构的实践2025年Web安全领域，AI攻防、隐私计算和零信任架构 - 掘金
https://juejin.cn/post/7566526381729054762
[14]深入浅出联邦学习：原理与实践_百度百科
https://baike.baidu.com/item/%E6%B7%B1%E5%85%A5%E6%B5%85%E5%87%BA%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%EF%BC%9A%E5%8E%9F%E7%90%86%E4%B8%8E%E5%AE%9E%E8%B7%B5/56941937
[15]上海交大电院计算机系在数据挖掘领域顶会SIGKDD 2024发表多项研究成果_交大智慧_上海交通大学新闻学术网
https://news.sjtu.edu.cn/jdzh/20240716/200306.html
[16]科研动态----中国科学院空天信息创新研究院
http://aircas.cn/dtxw/kydt/
[17]云南大学软件学院 人工智能学院在人工智能领域取得突破性研究成果-云南大学软件学院网站
https://www.sei.ynu.edu.cn/info/1056/2473.htm
[18]Differentially private cross-silo federated learning
https://arxiv.org/abs/2007.05553
[19]安全多方计算在联邦学习中的创新应用实践-CSDN博客
https://blog.csdn.net/universsky2015/article/details/149340156
[20]Federated Learning In Edge Computing
https://www.meegle.com/en_us/topics/federated-learning/federated-learning-in-edge-computing
[21]Navigating Heterogeneity and Output Form of One-Shot Federated Learning with Diffusion Models
https://arxiv.org/abs/2405.01494
[22]联邦学习：守护数据隐私的强盾-百度开发者中心
https://developer.baidu.com/article/details/3336086
[23]Decentralized AI: Breaking Cloud Giants' Grip on Compute
https://www.webpronews.com/decentralized-ai-breaking-cloud-giants-grip-on-compute/
[24]Safety, Security, and Responsible AI
https://umbrex.com/resources/ai-primer/safety-security-and-responsible-ai/
[25]联邦学习中的数据安全问题与隐私保护技术研究_联邦学习的隐私与安全防护研究-CSDN博客
https://blog.csdn.net/zq418708363/article/details/153439303
[26]边缘计算安全与隐私保护：平衡数据处理与防护的实践之道
https://cloud.baidu.com/article/3839823
[27]Federated Learning In Edge Computing
https://www.meegle.com/en_us/topics/federated-learning/federated-learning-in-edge-computing
[28]Robust Zero Trust Architecture: Joint Blockchain based Federated Learning and Anomaly Detection based Framework
https://arxiv.org/abs/2406.17172
[29]边缘计算与联邦学习：融合之路的隐私与效率新解
https://cloud.baidu.com/article/3839566
[30]Age of Trust (AoT): A Continuous Verification Framework for Wireless Networks
https://arxiv.org/abs/2406.02190
[31]融合边缘智能计算和联邦学习的隐私保护方案
https://www.juestc.uestc.edu.cn/article/doi/10.12178/1001-0548.2022176?viewType=HTML
[32]Zero-Knowledge Federated Learning: A New Trustworthy and Privacy-Preserving Distributed Learning Paradigm | alphaXiv
https://www.alphaxiv.org/overview/2503.15550v1
[33]Secure Neuroimaging Analysis using Federated Learning with Homomorphic Encryption
https://arxiv.org/abs/2108.03437
[34]Mario: Multi-round Multiple-Aggregator Secure Aggregation with Robustness against Malicious Actors
https://eprint.iacr.org/archive/2024/1428/20241030:144549
[35]What is Zero trust in the Cloud? | Tenable®
https://www.tenable.com/cybersecurity-guide/learn/zero-trust-in-the-cloud
[36]Communication-Efficient Search under Fully Homomorphic Encryption for Federated Machine Learning
https://arxiv.org/abs/2308.04648
[37]专利许可公示
https://kyy.nuaa.edu.cn/2025/1209/c5818a389718/page.htm
[38]A Zero Trust-Based Identity and Access Management Framework for Cross-Cloud Federated Networks | International Journal of Emerging Research in Engineering and Technology
https://ijeret.org/index.php/ijeret/article/view/207
[39]CRE: An Efficient Ciphertext Retrieval Scheme Based on Encoder | SpringerLink
https://link.springer.com/chapter/10.1007/978-981-99-8148-9_10?fromPaywallRec=true
[40]基于联邦学习的安全隐私保护.docx - 人人文库
https://www.renrendoc.com/paper/505599483.html
[41]5G时代下的大数据隐私保护新思路-CSDN博客
https://blog.csdn.net/2501_91888447/article/details/154798387
[42]Nature Communications|计算学部刘贤明教授团队在可信赖医疗人工智能方面取得重要进展 | 今日哈工大 ： 哈尔滨工业大学校内综合信息网
http://todayv6.hit.edu.cn/article/2025/03/26/120266
[43]Threats, Problems, and Secure Framework of Aggregation in Federated Learning (FL) in IoT – IJERT
https://www.ijert.org/threats-problems-and-secure-framework-of-aggregation-in-federated-learning-fl-in-iot
[44]Robust Zero Trust Architecture: Joint Blockchain based Federated Learning and Anomaly Detection based Framework
https://arxiv.org/abs/2406.17172
[45]Privacy-preserving Anomaly Detection in Cloud Manufacturing via Federated Transformer
https://arxiv.org/abs/2204.00843
[46]## Automated Dynamic Risk Stratification and Predictive Modeling for Emerging Infectious Disease Outbreaks: A Multi-modal Federated Learning Approach - freederia.com
https://freederia.com/automated-dynamic-risk-stratification-and-predictive-modeling-for-emerging-infectious-disease-outbreaks-a-multi-modal-federated-learning-approach/
[47]Age of Trust (AoT): A Continuous Verification Framework for Wireless Networks
https://arxiv.org/abs/2406.02190
[48]What Is Federated Learning? A Guide to Privacy-Preserving AI - Palo Alto Networks
https://www.paloaltonetworks.in/cyberpedia/what-is-federated-learning
[49]基于联邦学习的动态信任评估身份认证方法-Research on Dynamic Trust Evaluation Method Based on Federated Learning
https://jcs.iie.ac.cn/xxaqxb/ch/reader/view_abstract.aspx?file_no=20250203&flag=1&journal_id=xxaqxb
[50]Zero-Knowledge Federated Learning: A New Trustworthy and Privacy-Preserving Distributed Learning Paradigm | alphaXiv
https://www.alphaxiv.org/overview/2503.15550v1
[51]边缘计算与联邦学习融合：重塑隐私与效率的未来-百度开发者中心
https://developer.baidu.com/article/detail.html?id=3917763
[52]杭电与云象网络申请基于动态信任评估的联邦学习模型聚合专利，实现动态信任评估与可信聚合|算法|参与方|大模型_网易订阅
https://www.163.com/dy/article/KFAJ25KO0519QIKK.html
[53]Federal Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions-A Systematic Review
https://arxiv.org/abs/2405.13832
[54]Federated learning in finance – privacy-safe AI collaboration
https://www.partisia.com/blog/federated-learning-in-finance-privacy-safe-ai-collaboration
[55]Differentially Private Low-Rank Adaptation of Large Language Model Using Federated Learning
https://arxiv.org/abs/2312.17493
[56][2602.02629] Trustworthy Blockchain-based Federated Learning for Electronic Health Records: Securing Participant Identity with Decentralized Identifiers and Verifiable Credentials
https://arxiv.org/abs/2602.02629?context=cs.CR
[57]Federated Learning for Artificial Intelligence in Financial Services | MoldStud
https://moldstud.com/articles/p-federated-learning-a-game-changer-for-ai-in-financial-services
[58][2507.04327v1] TinyProto: Communication-Efficient Federated Learning with Sparse Prototypes in Resource-Constrained Environments
https://arxiv.org/abs/2507.04327v1
[59]Secure and Efficient Federated Learning for Predictive Modeling in Resource-Constrained Healthcare Systems | medRxiv
https://www.medrxiv.org/content/10.1101/2025.07.27.25332284.full
[60]一种安全高效的联邦学习技术_清华大学
https://heec.cahe.edu.cn/school/science-project/30564.html