Privacidade e segurança em sistemas de aprendizagem federada: revisão de métodos e desafios computacionais

Autores

DOI:

https://doi.org/10.63862/rhs-v1n4-356-381-2026

Palavras-chave:

Aprendizagem federada, privacidade diferencial, agregação segura, segurança da informação, ataques de inferência, aprendizagem distribuída

Resumo

A aprendizagem federada permite treinar modelos utilizando informações distribuídas sem necessariamente centralizar os registros originais. No entanto, a troca de parâmetros, a coordenação entre os participantes e a exposição a agentes maliciosos introduzem riscos que não desaparecem pelo fato de os dados permanecerem em sua origem. O objetivo deste trabalho é examinar os principais métodos de proteção da privacidade e da segurança em sistemas de aprendizagem federada, bem como suas limitações e desafios computacionais. Foi realizada uma revisão narrativa estruturada, com busca bibliográfica direcionada a fontes acadêmicas de acesso verificável e análise temática de pesquisas fundamentais, artigos metodológicos e revisões da literatura. Os resultados distinguem ataques de inferência e reconstrução, envenenamento de dados ou modelos, ataques de porta dos fundos (backdoors) e ameaças ao servidor; além disso, comparam privacidade diferencial, agregação segura, otimização robusta e mecanismos de verificação. A literatura indica que nenhuma técnica isolada protege completamente a confidencialidade, a integridade e a disponibilidade do treinamento. A proteção depende do modelo de ameaças, da arquitetura e dos custos de comunicação, precisão e processamento computacional. Conclui-se que o desenvolvimento de sistemas confiáveis exige mecanismos de defesa complementares, métricas explícitas e experimentos reproduzíveis, adaptados às características de cada implementação.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

Chen, W.-N., Choo, C. A. C., Kairouz, P., & Suresh, A. T. (2022). The fundamental price of secure aggregation in differentially private federated learning. Proceedings of Machine Learning Research, 162, 3056–3089. https://proceedings.mlr.press/v162/chen22c.html

Chen, W.-N., Cormode, G., Bharadwaj, A., Romov, P., & Ozgur, A. (2024). Federated experiment design under distributed differential privacy. Proceedings of Machine Learning Research, 238, 2458–2466. https://proceedings.mlr.press/v238/chen24c.html

Girgis, A., Data, D., Diggavi, S., Kairouz, P., & Suresh, A. T. (2021). Shuffled model of differential privacy in federated learning. Proceedings of Machine Learning Research, 130, 2521–2529. https://proceedings.mlr.press/v130/girgis21a.html

Kairouz, P., McMahan, H. B., Avent, B., et al. (2021). Advances and open problems in federated learning. Foundations and Trends in Machine Learning, 14(1–2), 1–210. https://doi.org/10.1561/2200000083

Karimireddy, S. P., Kale, S., Mohri, M., Reddi, S., Stich, S., & Suresh, A. T. (2020). SCAFFOLD: Stochastic controlled averaging for federated learning. Proceedings of Machine Learning Research, 119, 5132–5143. https://proceedings.mlr.press/v119/karimireddy20a.html

Kerkouche, R., Ács, G., Castelluccia, C., & Genevès, P. (2021). Constrained differentially private federated learning for low-bandwidth devices. Proceedings of Machine Learning Research, 161, 1756–1765. https://proceedings.mlr.press/v161/kerkouche21a.html

Lowy, A., Ghafelebashi, A., & Razaviyayn, M. (2023). Private non-convex federated learning without a trusted server. Proceedings of Machine Learning Research, 206, 5749–5786. https://proceedings.mlr.press/v206/lowy23a.html

Ma, X., & Yan, M. (2024). Research progress on security and privacy of federated learning: A survey. Wireless Personal Communications, 136(4), 2201–2242. https://doi.org/10.1007/s11277-024-11372-0

Mangold, P., Durmus, A., Dieuleveut, A., & Moulines, E. (2025). Scaffold with stochastic gradients: New analysis with linear speed-up. Proceedings of Machine Learning Research, 267, 42902–42946. https://proceedings.mlr.press/v267/mangold25a.html

Manzoor, H. U., Shabbir, A., Chen, A., Flynn, D., & Zoha, A. (2024). A survey of security strategies in federated learning: Defending models, data, and privacy. Future Internet, 16(10), Article 374. https://doi.org/10.3390/fi16100374

McMahan, B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-efficient learning of deep networks from decentralized data. Proceedings of Machine Learning Research, 54, 1273–1282. https://proceedings.mlr.press/v54/mcmahan17a.html

Mothukuri, V., Parizi, R. M., Pouriyeh, S., Huang, Y., Dehghantanha, A., & Srivastava, G. (2021). A survey on security and privacy of federated learning. Future Generation Computer Systems, 115, 619–640. https://doi.org/10.1016/j.future.2020.10.007

Nguyen, J., Malik, K., Zhan, H., Yousefpour, A., Rabbat, M., Malek, M., & Huba, D. (2022). Federated learning with buffered asynchronous aggregation. Proceedings of Machine Learning Research, 151, 3581–3607. https://proceedings.mlr.press/v151/nguyen22b.html

Saha, S., Hota, A., Chattopadhyay, A. K., Nag, A., & Nandi, S. (2024). A multifaceted survey on privacy preservation of federated learning: Progress, challenges, and opportunities. Artificial Intelligence Review, 57, Article 184. https://doi.org/10.1007/s10462-024-10766-7

Zheng, Q., Chen, S., Long, Q., & Su, W. (2021). Federated f-differential privacy. Proceedings of Machine Learning Research, 130, 2251–2259. https://proceedings.mlr.press/v130/zheng21a.html

Publicado

2026-11-21

Edição

Seção

Ciencias de la Educación

Como Citar

Privacidade e segurança em sistemas de aprendizagem federada: revisão de métodos e desafios computacionais. (2026). Revista Hambatu Science, 1(4), 356-381. https://doi.org/10.63862/rhs-v1n4-356-381-2026

Artigos mais lidos pelo mesmo(s) autor(es)