近期研究表明，联邦学习（FL）中的梯度更新可能意外泄露客户端本地数据的敏感信息。当服务器被恶意控制并对全局模型进行篡改时，这种泄漏风险会显著提升，因为服务器可以诱导客户端产生信息量更大的梯度。本文从防御者视角出发，首次系统化地分析了恶意梯度泄漏攻击及其背后的模型操控手段。研究发现，这类攻击存在核心权衡：在真实的 FL 场景下（包括常见的归一化技术和联邦平均），攻击既要高效重建私有数据，又要保持足够隐蔽几乎不可能同时实现。基于此，我们认为恶意梯度泄漏在理论上值得关注，但在实践中受到限制，往往可以通过基础监控手段被发现。为此，本文提出一种轻量级的客户端检测机制：在本地训练开始前对模型更新进行检查，若发现异常则标记为可疑。该方法实现简单、开销极低，能够在隐私敏感的 FL 系统中提供可部署的防护，即使在某些实际设置下检测并非必需。\n\n点评：本文通过揭示攻击与隐蔽性的不可兼得，提供了对恶意梯度泄漏风险的现实评估，并给出实用的防御方案，为联邦学习的安全落地提供了重要参考。