Với việc phát triển khoa học như ngày nay, con người tận hưởng cuộc sống hiện đại và nhiều tiện nghi hơn, đồng thời cũng tạo ra nhiều dữ liệu. Các dữ liệu này được lưu trữ trong các thiết bị và miền ứng dụng khác nhau, đồng thời xã hội cũng ngày càng nhận thức rõ hơn về các vấn đề bảo mật, tính riêng tư của dữ liệu, việc huấn luyện các mô hình học máy tập trung hay các mô hình trí tuệ nhân tạo (AI) truyền thống đang phải đối mặt với những thách thức về tính hiệu quả và quyền riêng tư. Trong những năm gần đây, học liên kết (Federated Learning) đã nổi lên như một giải pháp thay thế và tiếp tục phát triển mạnh trong lĩnh vực trí tuệ nhân tạo phục vụ cuộc sống con người. Các mô hình học liên kết hiện tại có một số lỗ hổng dễ bị tấn công bởi người tấn công nằm bên trong hoặc bên ngoài hệ thống, ảnh hưởng đến quyền riêng tư của dữ liệu và tính bảo mật của hệ thống. Bên cạnh việc huấn luyện các mô hình toàn cục yêu cầu tính bảo mật là điều quan trọng trong các thiết kế các hệ thống học liên kết có đảm bảo quyền riêng tư và có khả năng chống lại các loại tấn công khác nhau. Nghiên cứu này trình bày toàn diện về quyền riêng tư và tính bảo mật trong học liên kết, bao gồm: 1) các mối đe dọa
2) các cuộc tấn công và phòng thủ về quyền riêng tư. Các kỹ thuật chính cũng như các giả định cơ bản được áp dụng bởi các cuộc tấn công và phòng thủ khác nhau trong học liên kết cũng được trình bày giúp hiểu rõ hơn về bản chất và điều kiện thực hiện tấn công. Cuối cùng, các hướng nghiên cứu trong tương lai nhằm bảo vệ tính riêng tư trong mô hình học liên kết cũng sẽ được thảo luận chi tiếtWith scientific development, people have a more modern and comfortable life, and also create more data. This data is stored in different devices and application domains and society is becoming more and more aware of data privacy issues. The traditional centralized training or traditional artificial intelligence (AI) models are facing efficiency and privacy challenges. In recent years, federated learning has emerged as an alternative solution and continues to thrive in the field of artificial intelligence for responding to the demands of everyday life. Existing federated learning models have been shown to be vulnerable to attackers within or outside of the system, affecting data privacy and system security. Besides training global models, it is of paramount importance to design federated learning systems that have privacy guarantees and are resistant to different types of attacks. In this study, a comprehensive survey on privacy in federated learning is presented. Through a brief introduction to the concept of federated learning, its classification includes: 1) threats models
2) privacy attacks and defenses. Key techniques and basic assumptions adopted by various attacks and defenses in federated learning are also introduced to help better understand the nature and conditions of attacks. Finally, future research directions to protect privacy in federated learning models are discussed in detail.