摘要： 联邦学习作为一种新兴的分布式机器学习范式，旨在实现“数据不动模型动”的数据处理效果，为解决数据孤岛问题、保护数据隐私提供了新的技术路径。然而，联邦学习的分布式训练模式天然面临诸多安全风险与挑战。本地训练的模型参数在上传、聚合与分发的全流程中，均存在隐私泄露与遭受恶意攻击的风险，严重制约了其在金融、医疗等敏感领域的可靠应用。文章通过详细分析联邦学习全流程面临的安全与隐私风险，构建了面向联邦学习的安全假设模型。基于该模型，文章全面梳理了保障联邦学习安全与隐私的七种主流技术及其应用方法，通过系统的对比分析，阐明了各项技术的优势与局限性。研究表明，单一保障技术难以应对联邦学习全流程中复杂多变的安全威胁，未来需融合协调多种保障技术，构建安全、可靠、实用且高效的联邦学习框架。

关键词: 联邦学习, 安全保障, 隐私保护, 差分隐私, 同态加密, 可信执行环境, 安全多方计算