云边物联网可信分布式学习安全隐私综述
原文：Trustworthy Distributed Machine Learning in Cloud-Edge-IoT Systems: A Heterogeneity-Aware Survey of Security, Privacy, and Robustness
分布式机器学习（DML），包括传统分布式训练和联邦学习（FL），使得跨云边IoT系统的协作模型开发无需完全集中原始数据。然而，数据、计算、更新和编排的分布扩大了攻击面，并引入了隐私、鲁棒性、可靠性、公平性和治理方面的耦合挑战。本综述提出了一个以安全为中心、异构感知的可信DML路线图，并将FL视为突出的高风险案例。我们首先刻画了定义DML/FL安全边界的资产、对手、信任假设和协调模式。然后分析了统计、系统和信任异构性——包括非独立同分布数据、资源不对称、间歇性参与以及跨孤岛/跨设备的信任差异——如何影响收敛性、公平性、攻击可检测性和防御可靠性。接下来，我们综合了投毒、后门、拜占庭操纵、隐私泄露、模型提取、网络/编排攻击、女巫行为和策略性参与等方面的攻防交互。我们进一步比较了分层防御，包括鲁棒聚合、漂移感知优化、差分隐私、安全聚合、同态加密、安全多方计算、可信执行环境、水印、来源追踪、认证通信和监控。最后，我们讨论了部署、评估、治理和开放研究指南，强调可复现的非独立同分布（non-IID）划分、攻击感知基准、隐私预算、攻击成功率、客户端级差异、延迟、通信、内存、能耗/碳开销以及可审计的生命周期产物。作者：Long Dang, Ali Alfatemi, Kaiqi Xiong, Mohammed Aledhari, Abdellah Chehri 分类：cs.CR,cs.DC,cs.LG