1. 研究目的与意义（文献综述）
人工智能在生活中越来越普及,给人类带来了极大的便利，也给科技带来了很大的提升。尤其是近年来,随着机器学习这一行业的蓬勃发展,生活中的相关应用越来越多。不幸的是,机器学习系统也面临着许多安全隐患，为了数据的安全，协同机器学习被引入，相比一般的机器学习，其避免了将数据存储在云中再进行机器学习，具有更高的安全性，但是近几年的研究表明，其依然存在数据隐私泄露的可能性。
协作机器学习(collaborative learning)最近成为传统机器学习方法的替代方法，所有的训练数据汇集在一起，模型在这个联合池中进行训练。它允许两个或多个参与者，每个人都有自己的训练数据集，来构建一个联合模型。每个参与者根据自己的数据训练一个局部模型，并定期与其他参与者交换模型参数、更新这些参数或部分构建模型。已经提出了几种用于分布式、协作和联合学习的体系结构:有和没有中央服务器，有不同的模型聚合方式，等等。主要目标是提高训练速度和减少开销，但保护参与者训练数据的隐私也是最近提出的几种技术的重要动机。由于训练数据从不离开参与者的机器，协作学习可能很适合于这些数据敏感的场景(例如，医疗记录、私人图像、个人身份信息等)。引人注目的应用包括对智能手机的字符序列进行预测键盘训练，或利用多家医院的数据来开发患者生存和医疗副作用的预测模型。
协同机器学习和相关技术，如联邦学习(federatedlearning)，在2016年被google率先提出，包括了横向联邦学习和纵向联邦学习，它允许多个参与者，每个人都有自己的训练数据集，通过局部训练和定期交换模型更新来建立一个联合模型。本文证明这些更新会泄漏参与者训练数据的非预期信息，并开发被动和主动的推理攻击来利用这种泄漏。
2. 研究的基本内容与方案
[1] 学习机器学习的基本知识，以及联邦学习模型。
[2] 学习并掌握基本的数据处理相关的python编程方法。
[3] 设计实现基于python语言的类推断攻击、成员推断攻击、属性推断攻击，并利用相应算法测试。
3. 研究计划与安排
1)第1-3周 完成题目调研，完成文献阅读，进行相关资料的收集，完成文献综述以及开题报告撰写；
2)第4-5周 学习卷积神经网络和联邦学习，完成论文开题；
3)第6-12周 完成模型的训练和测试，撰写论文初稿；
4. 参考文献（12篇以上）
[1] 何英哲，胡兴波，何锦雯，孟国柱，陈恺．机器学习系统的隐私和安全问题综述[j]．计算机研究与发展，2019，(10)：1-22．
[2]宋明成．机器学习隐私的安全隐患[j]．计算机与网络，2018，44(16)：55．
[3]刘睿瑄，陈红，郭若杨，赵丹，梁文娟，李翠平．机器学习中的隐私攻击与防御[j]．软件学报，，：1-26．
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
