联邦学习环境下的动态安全防护机制研究与验证

课题名称: 联邦学习环境下的动态安全防护机制研究与验证
学科专业: 计算机科学
课题关键词: 联邦学习动态安全防护模型投毒攻击
辅导模式: 1对1
发表目标: SCI期刊2区 CCF-C
课题介绍: 随着人工智能技术的快速发展，数据驱动的模型训练对大规模高质量数据的需求日益迫切，但数据孤岛与隐私保护法规（如GDPR）的冲突成为关键瓶颈。联邦学习（Federated Learning, FL）通过在本地节点训练模型、仅共享参数更新的方式，实现了“数据不动模型动”的隐私保护范式，已广泛应用于医疗、金融等敏感领域。然而，联邦学习的分布式架构与动态特性（如节点异构性、网络拓扑变化、资源受限）使其面临独特安全挑战：静态防护机制难以应对动态环境下的模型投毒攻击、属性推理攻击等威胁，且节点加入/退出、通信延迟等动态因素进一步加剧了安全防护的复杂性。因此，研究联邦学习环境下的动态安全防护机制，构建自适应、实时响应的安全体系，对保障联邦学习系统的鲁棒性与隐私性具有重要理论意义与应用价值。

导师信息

科研导师

Prof. Ma

海外教授，香港科技大学博士

导师介绍

研究领域：计算机网络,网络安全与AI应用,人工智能,网络安全算法,联邦学习学术成果：已发表530多篇国际学术文章，包括260多篇学术期刊文章和260多篇学术会议文章；6部学术著作的主编和28部学术著作中28个章节的作者；根据谷歌学术统计，所有出版物被引用接近12000 次；H值53；长期担任多个SCI期刊和会议的编委或审稿人，包括Computer and Communication Engineering、IEEE Communications Surveys & Tutorials、Wireless Communications and Mobile Computing等。

招生要求

面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。