聯邦學習城市應用實戰指南

1. 隱私計算

• 可信計算環境：主要是硬體方面的技術。其效能、通用性和安全性都比較高，但缺點是開發部署困難，需要硬體廠商的支援。
• 多方安全計算：在無可信第三方情況下，透過多方安全完成某種協同計算，也就是參與者各完成計算的一部分，最後的結果是由部分參與者掌握或公開的共享，主要優點是安全性高，通用性高，但計算和通訊的開銷比較大。多方安全計算包含了秘密分享、不經意傳輸、混淆電路、零知識證明、同態加密等技術，各項技術的優缺點可以參考上圖中的表格。
• 聯邦學習：結合了密碼學和分散式計算，基於可信環境實現多方協作的機器學習，在人工智慧領域開闢了新的天地。聯邦學習是綜合運用多方安全計算、差分隱私、同態加密方法，用於 AI 模型訓練和預測。聯邦學習在效能、通用性和安全性上都是中等，可信方可以採用可信計算環境。

02

1. 聯邦學習的功能架構

• 應用場景：主要包括信用、金融、營銷、公安。
• 資料服務：是對上層應用的支撐，包括特徵庫、模型庫、畫像庫、標籤庫、指標庫。
• 跨域應用：包括跨域訓練、跨域推理、跨域分析、資料共享。
• 安全加密：涉及到全鏈路加密、硬體加密，以及安全多方計算。
• 聯邦演算法：支援聯邦 Boosting、聯邦森林、聯邦神經網路、聯邦隔離森林、聯邦極端森林、聯邦邏輯迴歸、聯邦線性迴歸、混合演算法。
• 特徵工程：主要是對相關演算法的支撐與抽取，包括 ID Mapping、聯邦資料清洗、聯邦資料取樣、聯邦特徵分箱、聯邦特徵轉換、聯邦特徵選擇、OneHot Encoder。
• 資料接入：底層資料包括本地、MySQL、API、Oracle、HDFS 等多種資料來源的支撐。
• 專案管理：包括建立成員角色等基礎管理。
• 模型生命週期管理：在模型整個訓練週期內，包括驗證報告、模型釋出、版本管理、推斷記錄、部署等功能。
• 訓練任務週期管理：包括狀態同步、狀態啟停、實時日誌、流量監控。

• 應用層：包含地塊打分、信用評級、受災應急、金融服務、安全交換服務等服務場景，有聯邦查詢、聯邦數字閘道器和聯邦知識融合提供支撐。
• 服務層：包含從應用模型，到推理，再到資料共享服務。
• 任務訓練層：包括多方協同、元件通訊、任務管理、資訊仲裁、監控和日誌。底層有排程系統來支撐。
• 演算法層：支援八大基礎聯邦演算法。
• 資料預處理層：包括資料來源的管理、後設資料、資料 ETL，到資料異構交換，最後輸入計算引擎進行儲存和計算。
• 資料來源：支援所有主流資料來源。
• 執行環境：適配雲主機、物理機、虛擬機器和容器雲平臺等環境。

• 普通模式：OAuth2，RSA+動態 AES
• 加強模式：金融級加密（ACES 內部自研）、支援國密演算法，任務級別隔離
• HTTPS 協議進行網路安全通訊傳輸
• IP 白名單校驗

• 資料計算過程加密混淆，即用即銷
• 資料儲存靜態加密，生命週期完成及時刪除

• 一鍵部署：安裝包混淆，目錄摘要與授權。
• MD5 進行一致性比較，防止部署過程中篡改。

03

• IEEE 聯邦學習標準專案，首批核心成員單位制定標準。
• 國內最早進行聯邦學習技術研究、產品化落地的企業之一。

• 底層通訊協議
• 聯邦學習演算法
• 11 項專利申請、3 篇國際論文 、1 項軟著、1 項安全資質

• 豐富的資料資源是聯邦學習最大的基石
• 打破傳統企業機構的資料邊界，利用聯邦學習達到資料知識共享
• 發現使用者需求並將聯邦學習產業應用落地
• 達成各行業聯手，共建全行業的聯邦學習生態