摘 要：跨部门、跨地域、跨系统间的数据共享是充分发挥分布式数据价值的有效途径，但是现阶段日益严峻的数据安全威胁和严格的法律法规对数据共享造成了诸多挑战。联邦学习可以联合多个用户在不传输本地数据的情况下协同训练机器学习模型，是实现数据安全共享的新范式。对联邦学习的工作原理及与其密切相关的技术进行了简要介绍，并系统地总结联邦学习的隐私安全性以及其与区块链结合的研究现状，最后对下一步的研究方向做出了展望。
内容目录：
1 相关技术介绍
1.1 隐私计算框架
1.2 联邦学习
1.3 区块链技术
1.4 相关密码学技术
2 联邦学习的隐私安全性研究
3 联邦学习与区块链的结合研究
4 结 语
伴随着云计算、边缘计算等新一代信息技术的快速发展，全球数据量呈爆发式增长。数据已经成为影响全球竞争的重要战略性资源，各国陆续出台相应政策大力支持数字经济的发展。然而，现阶段海量的数据分布在不同的组织机构和信息系统中，需要实现跨部门、跨地域、跨系统间的数据共享，才能充分发挥数据价值。但是数据安全与合规问题却对数据共享造成了诸多挑战，一方面，数据易被复制的特性使得数据主体担心自己的商业秘密或用户隐私泄露，导致他们不愿共享数据；另一方面，日益严格的数据安全法规对个人数据的流通和使用提出了诸多限制。
隐私计算技术的兴起为保障数据在安全合规的前提下发挥价值提供了破局思路，它是一个涵盖密码学、人工智能、安全硬件等众多领域的跨学科技术体系。联邦学习是隐私计算的代表性技术之一，可以使分布式用户无须传输本地数据即可实现联合建模，成为数据安全共享的新范式。由于联邦学习可以与安全多方计算、可信执行环境以及其他密码学技术相结合，因此被学术界和工业界广泛研究，并应用于智能家居、