目前商家与电销团队的bd通过企业*的日常沟通是维护销售客情的重要方式，通过企业*可高频触达客户包括及时回复客户消息。 然而目前存在两个问题：（1）bd在早晚工作会议或周末时无法及时回应客户，造成客情损失；（2）客户询问的许多问题均为重复性问题（比如某活动怎么报）、或需要bd在网页上进行简单标准操作的问题（比如请帮我关房），此类机械问题占用了销售人员琐碎的周末时间，造成bd的不满与工作积极性的降低。为了解决上述问题，为了给bd提效，提出在企业*内建设自动回复功能。

1. 项目背景：针对末端云边端系统、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，通过分析该模型的脆弱性，旨在提出增强的隐私计算技术和隐私保护机器学习模型，提升分布式系统的安全防护能力。 2. 项目目的：通过针对联邦学习的后门攻击分析，进行模型模型脆弱性分析，并针对该脆弱点，提出防御策略，提升联邦学习安全性。 3. 提出基于部分聚合的联邦学习安全聚合协议，在保护隐私的基础上，有效将后门攻击成功率从100%降为0。 4. 产出论文和专利

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。