1. 项目背景：项目针对云边端系统、多方数据孤岛计算协同等分散计算架构，以适用于该计算架构的安全聚合联邦机器学习模型为研究对象，通过分析模型脆弱性，提出增强的隐私计算技术和隐私保护机器学习模型，提升分布式学习框架的安全防护能力。
2. 项目目标：关注模型脆弱性分析，重点针对恶意边端节点或恶意服务器节点的篡改模型、数据投毒、获取用户参数等恶意行为，研究该模型下的隐私推理攻击、后门注入攻击和数据投毒攻击。通过脆弱性分析，运用合理的差分隐私策略，提升分散系统的安全性。
3.重点问题：在安全聚合的联邦学习下，发现服务器可以进行属性推理攻击，而通过加入差分隐私噪声，可以有效防止该种隐私推理攻击，增加模型安全性。
4. 成果：产出科研论文，完成项目指标。