本文提出了一种基于超平面的数据重构攻击方法，针对联邦学习中的隐私保护缺陷。该方法不依赖于客户端数据分布假设，能够在分类任务中完美恢复任意大小的数据批次，从而显著提高安全性。

本研究提出了一种新型数据重构攻击方法，针对联邦学习中的数据隐私泄露问题。该方法通过恶意代码注入技术有效提取敏感数据，并在高分辨率数据处理上优于现有五种攻击方法，显示出对新防御策略的迫切需求。