对抗训练提高模型韧性但成本高，随机平滑和形式验证有局限。投毒攻击影响性能，需要数据清洗和鲁棒性训练。隐私攻击威胁用户隐私，差分隐私提供保护但影响准确性。模型提取攻击需防范，设计安全AI系统仍需努力。

该文综述联邦学习中的安全威胁研究，涵盖基于对抗图自编码器的模型污染攻击（可绕过现有防御）、针对联邦GAN的后门攻击（少量触发器即可破坏模型，并提出全局恶意检测与局部训练正则化防御），以及FedDetect防御、定向数据毒化、BadVFL无标签后门攻击、Graph-Fraudster攻击、AT2FL投毒优化和生成模型数据中毒等方法。

该文综述联邦学习中的投毒攻击与防御研究：FedRecover利用历史信息恢复全局模型，FLDetector基于历史更新检测恶意客户端，FLCert用集成学习实现可证明安全，FLTracer可追踪攻击并鲁棒检测，FreqFed在频域过滤恶意更新；另有研究探讨NextG分布式学习中的主动防御及数据无关的图自编码器攻击，表明防御仍需加强。

FedQV是一种新的聚合算法，用于增强联邦学习对投毒攻击的鲁棒性，并结合隐私保护机制。