A Survey on Federated Analytics: Taxonomy, Enabling Techniques, Applications and Open Issues

随着网络边缘设备生成的数据不断增加，以及对数据隐私意识的增强，传统的数据分析工作流受到了限制，即将边缘数据收集到集中式服务器上以供数据分析师进一步利用。为了继续利用大量边缘数据支持各种数据激励应用，计算范式从集中式数据处理向隐私保护的分布式数据处理进行了转变。在私有边缘数据上执行数据分析的需求推动了联邦分析（FA），这是一种新兴技术，支持不将原始数据集中的各种数据所有者之间的协作数据分析。尽管FA在工业和学术界有广泛的应用，但对现有FA研究工作的全面检查尚未出现。本调查旨在通过首先提供FA概述、阐明关键概念并讨论其与类似概念的关系，来弥补这一差距。然后，我们对FA进行了全面的检查，包括其关键挑战、分类法和启用技术。然后仔细审查了各种FA应用，包括统计指标、与频率有关的应用程序、数据库查询操作、FL辅助FA任务和其他无线网络应用程序。我们在调查中提出了几个开放的研究问题、未来的方向和全面的经验教训部分。本调查旨在提供对新兴FA技术的全面理解，并促进隐私保护的分布式数据处理在新兴网络社会中的持续演变。

论文旨在介绍联邦学习中的联邦分析技术，探讨其关键挑战、分类和实现技术，并概述其在不同应用场景下的表现和未来发展方向。

联邦分析技术是一种隐私保护的分布式数据处理方法，能够在不集中原始数据的情况下，支持多个数据所有者之间的协作数据分析。该技术通过安全的模型聚合算法和加密协议来保护数据隐私。

论文详细介绍了联邦分析的关键挑战、分类和实现技术，并探讨了其在不同应用场景下的表现。实验使用了多个数据集进行验证，包括基于统计度量、频率相关应用、数据库查询操作、FL辅助FA任务和其他无线网络应用。论文提出了一些开放性的研究问题和未来发展方向。

近年来，联邦学习和隐私保护的分布式数据处理方法受到了广泛关注。相关的研究包括“Federated Learning: Strategies for Improving Communication Efficiency”、“Federated Learning with Non-IID Data”、“Privacy-Preserving Machine Learning: Threats and Solutions”等。