近日，上海交通大学密西根学院教师朱怡飞课题组在计算机和通信领域顶级期刊《IEEE Communications Surveys & Tutorials》发表题为《A Survey on Federated Analytics: Taxonomy, Enabling Techniques, Applications and Open Issues》（联邦分析综述：分类体系、使能技术、应用场景及待解决问题）的研究综述论文。文章对近年来联邦分析领域的相关重要技术、应用场景和问题进行了系统性梳理，填补了该领域缺乏全面系统性综述的空白。
联网边缘设备产生的海量数据支撑了当代大部份应用的智能算法，是保障用户服务体验的核心基础。但另一方面，人们对数据隐私保护的意识不断增强，数据隐私相关法律法规也在各国陆续颁布落地。海量数据的传输压力和用户保护数据隐私的需求使得传统的数据分析模式面临前所未有的挑战。在传统模式下，边缘数据由中央服务器统一收集，再由数据分析师进行后续处理。为了持续挖掘海量边缘数据的价值，支撑各类数据驱动型应用，适应数据隐私保护需求，数据计算范式正经历从集中式数据处理向隐私保护分布式处理的深刻变革。在此背景下，联邦分析（Federated Analytics）技术应运而生，它能够在不集中原始数据的前提下，支持不同数据所有者开展协同数据分析，满足对私有边缘数据的分析需求。尽管联邦分析已在学术界和工业界得到广泛研究和应用，该领域现有的大量研究成果却缺乏系统性梳理。
针对这一问题，朱怡飞课题组对联邦分析进行全面概述，深入解析核心概念，提出未来研究方向。综述论文首先构建了一套完备的多维度联邦分析分类框架，从数据分析任务类型、客户端性质、迭代模式、协同模式，和隐私保护技术路径五个维度对联邦分析技术进行细致划分。这一分类体系不仅为深入剖析现有联邦分析系统提供了标准化框架，更为未来贴合不同应用场景需求的解决方案设计指明方向。论文接着系统归纳了联邦分析在隐私保护、数据分析及系统性能提升方面的核心使能技术，总结了不同选择的优缺点，指导后续研究人员选择合适的方法。论文随后全面梳理了联邦分析在统计学度量计算、频繁模式挖掘、数据库任务等多数据领域的应用实践。这些丰富案例充分展现了联邦分析在隐私敏感、大规模分布式环境下数据分析的关键作用，彰显其作为物联网、大数据等行业变革性技术的重要价值。此外，论文深度挖掘了联邦分析领域在应用场景拓展、算法创新设计、系统性能优化及跨层协同增强等方面亟待攻克的关键问题。这些前瞻性研究方向为后续探索绘制了清晰路线图。综述论文有望帮助读者构建对联邦分析技术的认知框架，助力推动隐私保护分布式数据处理技术的持续演进与创新突破。
该篇综述论文的第一作者是密院博士生王子博，通讯作者为朱怡飞，合作作者包括密院博士生姬海潮、香港理工大学Dan Wang教授和美国休斯顿大学Zhu Han教授。研究工作得到了科技部重点研发青年科学家项目支持。
《IEEE Communications Surveys & Tutorials》是IEEE旗下通信领域影响因子最高的期刊（2024年影响因子为34.4），也是电信领域最具影响力的期刊之一。期刊长期致力于发表对计算机和通信领域前沿技术具有深远影响的综述文章，被学术界和工业界广泛认可为获取领域最新进展和未来趋势的重要参考来源。
论文链接：https://ieeexplore.ieee.org/document/10960683
个人简介
王子博，上海交通大学工学学士（2020届），现为上海交通大学密西根学院信息与通信工程专业五年级博士生，研究生国家奖学金获得者，校级优秀毕业生。毕业后，他将前往鹏城国家实验室担任助理研究员。
朱怡飞，上海交通大学密西根学院副教授。于加拿大Simon Fraser University大学获得计算机科学博士学位。研究方向为边缘计算、多媒体网络与系统、分布式机器学习系统。近年来，朱怡飞教授课题组在联邦分析这一新兴领域做出了一系列前沿性工作。他们设计了多种联邦分析算法与系统，涵盖了数据异构性测量、频繁模式挖掘、图嵌入等多个具有隐私需求的数据分析场景。这些研究发表在如IEEE Journal on Selected Areas in Communications，IEEE Transactions on Mobile Computing、IEEE INFOCOM、ACM KDD, IEEE ICDE等领域顶级期刊与会议上。
