Threats and Defenses in Federated Learning Life Cycle: A Comprehensive Survey and Challenges

联邦学习（FL）为保护隐私的协作式机器学习（ML）提供了创新解决方案。尽管其具有很大的潜力，但由于其分布式性质，FL容易受到各种攻击，影响FL服务的整个生命周期。这些威胁可能会直接或间接地损害模型的效用或危及参与者的隐私。为了应对这些威胁，已经提出了许多防御框架，证明了在特定环境和场景中的有效性。为了清晰地了解当前的研究现状，本文回顾了FL服务生命周期中最具代表性和最先进的威胁和防御框架。我们首先确定了危害效用和隐私的FL威胁，包括那些具有潜在或直接影响的威胁。然后，我们深入研究防御框架，分析威胁和防御之间的关系，并比较不同防御策略之间的权衡。最后，我们总结了当前研究的瓶颈，并提供了未来研究方向的见解，以结束本次调查。我们希望本次调查能为可信的FL研究提供启示，并为FL社区做出贡献。

本论文旨在回顾联邦学习（FL）的威胁和防御框架，以提高FL服务的可靠性和安全性。FL存在分布式威胁，影响整个FL服务生命周期，本文试图解决这些威胁对模型效用和隐私的影响。

本文对FL服务生命周期中的威胁和防御框架进行了全面的回顾，包括直接和潜在的影响。同时，本文分析了不同防御策略之间的权衡，并提出了未来研究方向。

本文回顾了FL服务生命周期中的威胁和防御框架，提供了对当前研究领域的清晰认识。同时，本文还分析了不同防御策略之间的权衡，并提出了未来研究方向。

最近的相关研究包括：1）'Federated Learning with Differential Privacy: Algorithms and Performance'；2）'Federated Learning: Strategies for Improving Communication Efficiency'；3）'Secure Federated Transfer Learning'。