聯(lián)邦學習應(yīng)用思考：需求還是方法？

　　徐葳 清華大學交叉信息研究院長聘副教授、華控清交首席科學家

　　前言：

　　目前，“聯(lián)邦學習”這個術(shù)語在市場上存在很多認識上的誤解和混淆，主要原因是其既在廣義上表達了保護數(shù)據(jù)前提下聯(lián)合多方數(shù)據(jù)訓練模型的需求，又在狹義上表示了一類通過暴露部分數(shù)據(jù)信息來提升訓練性能的方法。有趣的是，作為廣義上的需求，它強調(diào)為了保護數(shù)據(jù)安全，可以犧牲部分準確性;但作為狹義的方法，它反而強調(diào)通過犧牲安全來換取性能提升。

　　一、初心：聯(lián)邦學習要達到的目標是什么？

　　1.聯(lián)邦學習的廣義定義：解決聯(lián)合建模的問題或需求

　　人們在進行機器學習任務(wù)時發(fā)現(xiàn)必須面臨的一個關(guān)鍵問題是：需要更多的數(shù)據(jù)從而才能得到一個好的模型。而更多的數(shù)據(jù)意味著：(1)更多樣本點，以便減少模型偏差(bias)，提升模型質(zhì)量;(2)一個標簽(例如一個用戶是否還錢);(3)更多維度，以便更全面刻畫一個對象。但是這些額外數(shù)據(jù)經(jīng)常由不同人持有，并且可能很敏感，沒人愿意拿出來共享、生怕暴露這些數(shù)據(jù)(例如用戶身份和某些行為特征)，但是大家還都希望從訓練出來的更好的模型中獲益。

　　上述這一類問題，就是“聯(lián)邦學習”的需求。從廣義上講，能夠解決這一需求的機器學習方法，即多個數(shù)據(jù)方聯(lián)合訓練一個機器學習模型的技術(shù)，都叫做“聯(lián)邦學習”。因此，廣義上的聯(lián)邦學習是一個問題，或者說是需求，而不是一種技術(shù)或解決方案。

　　事實上，這一需求在多年前就已有解決方案。在密碼理論領(lǐng)域，采用多方數(shù)據(jù)訓練模型是多方安全計算技術(shù)的一個具體應(yīng)用，理論上講我們可以用一個“多方計算”(也叫多方安全計算，Multi-party Computation, MPC)的方案來描述整個訓練過程;在數(shù)據(jù)挖掘領(lǐng)域，人們很早就提出了如k-匿名、差分隱私等方法;硬件領(lǐng)域，人們試圖做出更可信的硬件芯片來保證數(shù)據(jù)不泄露;近期人們也嘗試采取遷移學習等手段，試圖隱藏和個人相關(guān)的敏感信息。

　　2.聯(lián)邦學習的狹義定義：一類特定算法

　　然而現(xiàn)在市場上，聯(lián)邦學習這個術(shù)語被局限于一個更狹義的定義�，F(xiàn)在人們普遍認為，聯(lián)邦學習是和多方安全計算、可信執(zhí)行環(huán)境、差分隱私等并列的一種隱私保護計算技術(shù)，這實際上采用的是一種狹義的定義。這種定義下的聯(lián)邦學習特指一類算法，其本質(zhì)特征是在多個數(shù)據(jù)控制方運行，能夠讓各數(shù)據(jù)方之間只交換了某些模型訓練的中間數(shù)據(jù)。如果我們假設(shè)這些被交換的數(shù)據(jù)不包含敏感信息，那么這個模型的訓練過程就能達到我們想要的數(shù)據(jù)隱私保護目標。然而這個假設(shè)是否真實成立，目前尚無理論上的證明。

　　狹義的聯(lián)邦學習，作為一種獨特的方法提出，其主要動機是試圖在此前的幾種方法中取得一種平衡，即解決如下問題：(1)多方計算等密碼學方法計算和通訊開銷高;(2)k-匿名暴露信息太多;(3)在原始數(shù)據(jù)上加入差分隱私需要的噪聲，對于多次迭代的機器學習結(jié)果的準確度影響太大;(4)硬件可信程度未知。也就是說，狹義聯(lián)邦學習的主要目標是試圖通過有選擇地暴露一些信息，從而實現(xiàn)訓練精度、訓練速度和數(shù)據(jù)隱私安全的平衡。本文下述“聯(lián)邦學習”均是基于這一狹義意義上的方法。

　　二、設(shè)計：聯(lián)邦學習理論上的挑戰(zhàn)

　　聯(lián)邦學習相比之前的隱私保護計算技術(shù)，其本質(zhì)特征是暴露某些中間數(shù)據(jù)，并假設(shè)了這些數(shù)據(jù)不泄露敏感信息。然而越來越多的研究發(fā)現(xiàn)，這一假設(shè)未必成立。

　　1.聯(lián)邦學習真的能做到“數(shù)據(jù)不動”么？

　　聯(lián)邦學習過程中雖然沒有發(fā)送任何原始數(shù)據(jù)，但它暴露的數(shù)據(jù)主要有兩類：一是模型迭代訓練中每輪的中間結(jié)果，二是在縱向聯(lián)邦學習中暴露的雙方數(shù)據(jù)交集中的元素。這一節(jié)我們著重探討第一類數(shù)據(jù)暴露，第二類留到第三節(jié)中討論。

　　一個常見的認知誤區(qū)是，不發(fā)送原始數(shù)據(jù)，做到“數(shù)據(jù)不動”就是安全的。這里實際有個非常強的安全假設(shè)，即聯(lián)邦學習每次迭代中暴露的中間結(jié)果，不會泄露有價值的信息。很多工作都證明了這個安全假設(shè)是不容易達到的。

　　聯(lián)邦學習每次迭代均會暴露中間結(jié)果，這一中間結(jié)果可能是每方提供的梯度，或者是多方聚合的梯度，或者是一個本輪結(jié)束之后的模型中間結(jié)果。這里的核心問題在于，中間結(jié)果是一個高維的向量或矩陣，在很多模型里，這個中間結(jié)果都缺少可解釋性。一個參與方可以根據(jù)這些暴露的結(jié)果以及結(jié)果之間的差異性去推算一些不應(yīng)該暴露的信息[1][2][3][4]。中間結(jié)果具體會泄露什么信息很難確定，因此其安全性無法得到證明。有一些針對這一問題“打補丁”的方法，例如利用密碼學方法來計算梯度聚合，但無論如何加密，都不可避免地會向各方暴露一個本輪迭代訓練的中間結(jié)果，否則就失去了這一方法的核心價值，即通過暴露這個結(jié)果，減少加密，從而平衡計算代價與安全。

　　也有一些方法利用差分隱私來給中間結(jié)果加一些噪聲，但是這對于最終訓練結(jié)果的準確性影響也是未知的。當然，一個觀察是，參與方數(shù)量的增多會緩解噪音對準確性的影響。Google最初提出聯(lián)邦學習應(yīng)用在2C場景中，含有大量客戶端，參與方數(shù)量龐大，每個參與方加上一些專門設(shè)計的噪聲(噪聲會互相抵消)，從而同時保證了數(shù)據(jù)隱私安全及計算準確性。但是這一方法對于只有少量參與方的情況是否有效，以及究竟可滿足多少參與方的模型訓練的準確性，往往與具體數(shù)據(jù)和模型相關(guān)，通用的方法仍有待探索。

　　更為深層次的問題是，聯(lián)邦學習所專注的數(shù)據(jù)隱私保護一般定義在“原始數(shù)據(jù)不暴露”的層面上。然而實踐中需要保護的數(shù)據(jù)特定使用價值，很多情況下在于統(tǒng)計信息，例如某企業(yè)的平均薪資水平、訂單數(shù)，某金融機構(gòu)的投資總額等。聯(lián)邦學習過程中交換的高維向量，顯然泄露了大量的統(tǒng)計信息，至于具體泄露了哪些統(tǒng)計信息，以及泄露這些信息的危害，一般與具體場景有關(guān)，因此非常難以判斷，極易形成“虛假的安全感”。無數(shù)信息安全領(lǐng)域的實踐證明，虛假的安全比沒有安全造成的后果更加嚴重。

　　緩解該問題(當然不是根本性的徹底解決)的一種思路是，定義一種通用的明、密文混合計算方式，并根據(jù)不同的場景需求(安全需求、性能需求等)靈活地選擇可以暴露什么，以及必須隱藏什么。也就是說，即使對于同一種機器學習算法，由于應(yīng)用場景不同，也需要對算法的明文計算部分和密文計算部分進行適配性的規(guī)劃和調(diào)整。

　　2.上述聯(lián)邦學習中各參與方真的能誠實地參與計算么？

　　聯(lián)邦學習和很多隱私保護計算技術(shù)都基于一種“半誠實”的假設(shè)。從直觀上看，半誠實假設(shè)意味著參與方雖然有可能偷看或者泄露別人的數(shù)據(jù)，但是他們會遵守協(xié)議，即不會對數(shù)據(jù)造假。理論上，半誠實是一個安全假設(shè)，但在實踐中，我們應(yīng)該有切實有效的機制來引導和制約使各參與方遵守協(xié)議。其中重要的一類方法是通過監(jiān)管，讓不誠實的行為被發(fā)現(xiàn)和被舉證，因此大家就不敢作假;另一類方法是讓不誠實的行為造成的不良后果盡量少(例如只是讓計算不能進行下去了，或者大家都知道結(jié)果是錯的等等)。

　　但遺憾的是，聯(lián)邦學習的分布式特點以及安全聚合機制往往讓數(shù)據(jù)造假變得更容易，更難被發(fā)現(xiàn)和舉證[5][6][7][8][9]。傳統(tǒng)數(shù)據(jù)挖掘算法無論是檢測數(shù)據(jù)造假還是容忍錯誤數(shù)據(jù)，均依賴于數(shù)據(jù)中內(nèi)生的冗余信息，以及人們的先驗知識。由于聯(lián)邦學習交換的中間信息是高度凝練的統(tǒng)計信息，數(shù)據(jù)中缺乏冗余，又缺乏可解釋性，這些被傳遞的中間結(jié)果是否是捏造的假數(shù)據(jù)，難以確認。另外，攻擊者亦可通過加工假數(shù)據(jù)以逃避異常值檢測[10]，從而對全局模型進行投毒攻擊。由于當前市面上許多方法使用了一種僅支持加法操作的半同態(tài)加密算法來保護各方提供的梯度，造假的檢測能力進一步喪失。退一步說，即使我們發(fā)現(xiàn)了造假行為，造假方完全可以抵賴說這些假數(shù)據(jù)就是自己的數(shù)據(jù)隨機采樣算出來的，理論上很難區(qū)分是其惡意造假，還是隨機抽樣造成的噪聲。

　　更為嚴重的是，每方的中間結(jié)果對于模型的訓練影響都很大，因此每一方都可以通過構(gòu)造“有毒數(shù)據(jù)”來控制整個模型的訓練結(jié)果。例如在模型中留一個后門(即某些特定樣本的推理完全受惡意一方的控制)。相比于傳統(tǒng)的模型訓練，在聯(lián)邦學習過程中人們更難舉證這一后門是哪一方下毒造成的。許多研究已經(jīng)證明，這樣的攻擊在橫向聯(lián)邦學習中廣泛存在[10][11][12][13][14]，此類攻擊方法在縱向聯(lián)邦學習中也已經(jīng)被發(fā)現(xiàn)。

　　《周易》上說，“慢藏誨盜”，意思是不把東西藏好了，就是教唆別人偷盜。我們認為一個技術(shù)不應(yīng)該讓造假變得更容易、更難被發(fā)現(xiàn)，因此聯(lián)邦學習在這一方面仍需要很多改進。

　　從監(jiān)管角度看，目前緩解上述問題的一種思路是，采取一些方法來強化聯(lián)邦學習的中心管控功能，具體包括：(1)除了參數(shù)聚合，將更多的計算邏輯納入中心化可監(jiān)管的范疇;(2)使用支持密文復雜計算邏輯的密碼學技術(shù)，如秘密分享(secret sharing)，這樣可以最大程度上通過密文來分析數(shù)據(jù)的“造假”特征;(3)引入第三方獨立行使計算或監(jiān)管職責，鼓勵針對高價值、敏感數(shù)據(jù)的場內(nèi)流通方式，而不僅僅在聯(lián)邦學習參與方之間進行計算;(4)使用存證機制，增強事后回溯和舉證能力。

　　3.聯(lián)邦學習真的促進了數(shù)據(jù)的公平共享么？

　　在一個公平的場景中，參與聯(lián)邦學習的各方，希望共同獲得一個模型，雙方要么獲得了相同的價值，或者獲得價值少的一方能夠獲得額外的補償。然而，聯(lián)邦學習其實并不能達到這個效果，反而會導致數(shù)據(jù)多的一方獲益更大。

　　當前國內(nèi)聯(lián)邦學習主要應(yīng)用場景是縱向聯(lián)邦學習，縱向聯(lián)邦學習的第一步是隱私求交（PSI），會將交集結(jié)果暴露出來。事實上，理論上的PSI方法，本身可以保護交集結(jié)果，但是如果不暴露交集，后續(xù)計算無法實現(xiàn)聯(lián)邦學習減少加密數(shù)據(jù)量的目的，因此我國業(yè)界常見做法就是把交集暴露出來。試想，一個大型互聯(lián)網(wǎng)公司擁有10億用戶上網(wǎng)數(shù)據(jù)，一個銀行擁有1000萬用戶金融數(shù)據(jù)�；ヂ�(lián)網(wǎng)公司根本不在乎暴露交集，因為幾乎所有客戶信息反正他已經(jīng)有了，它可以通過聯(lián)邦學習獲得1000萬銀行用戶標簽，至少知道了這1000萬人是這個銀行的客戶，以后不依賴于銀行數(shù)據(jù)，互聯(lián)網(wǎng)平臺也可對他們進行精準營銷等等。銀行當然也知道了自己的哪些客戶是這一互聯(lián)網(wǎng)產(chǎn)品的客戶，但是這個信息顯然沒有太大價值，因為絕大多數(shù)用戶都是這個互聯(lián)網(wǎng)產(chǎn)品的用戶，這個不用訓練也知道。銀行泄露了自己客戶的信息，換來的是一個模型，而且這個模型其實也不能單獨使用，還需要輸入只有互聯(lián)網(wǎng)公司擁有的數(shù)據(jù)維度才能有用，所以銀行在數(shù)據(jù)上仍然存在被互聯(lián)網(wǎng)企業(yè)卡脖子的風險。因此這個交易顯然是不公平的。更為有趣的是，當前的市場環(huán)境下，經(jīng)常是數(shù)據(jù)少的金融機構(gòu)向數(shù)據(jù)多的互聯(lián)網(wǎng)企業(yè)付費，更加加劇了這一不公平性。因此，縱向聯(lián)邦學習技術(shù)有利于擁有大量數(shù)據(jù)的公司獲取數(shù)據(jù)量相對較小的公司的數(shù)據(jù)信息。這樣的“聯(lián)邦”，實際上成為了大公司數(shù)據(jù)壟斷的延伸，難以實現(xiàn)公平合作的共贏生態(tài)。

　　理想的方式是，交集不暴露給雙方，在不暴露的交集上繼續(xù)完成后續(xù)機器學習過程，乃至后續(xù)推理的過程;但這樣做會完全損失聯(lián)邦學習暴露中間結(jié)果而帶來的性能優(yōu)化，喪失了其特性。

　　一個可行的解決方式也許是允許多種類型的參與方角色加入，促進數(shù)據(jù)生態(tài)和業(yè)務(wù)形態(tài)全面發(fā)展。比如，可以由小公司作為數(shù)據(jù)使用方提出聯(lián)合建模需求;也可以讓專門從事算法研究的參與方加入，通過貢獻算法模型獲取收益等。這樣每一方都可以貢獻自己的專長，同時也能夠使用他方的資源信息為自己服務(wù)。通過這樣不斷創(chuàng)新的技術(shù)應(yīng)用方式，豐富業(yè)務(wù)發(fā)展模式，逐步構(gòu)建良性循環(huán)的數(shù)據(jù)生態(tài)環(huán)境。

　　三、實現(xiàn)：聯(lián)邦學習在系統(tǒng)工程與運維上的挑戰(zhàn)

　　目前聯(lián)邦學習在工程上的架構(gòu)是一種多個數(shù)據(jù)源直接互聯(lián)進行計算的模式。這一模式給現(xiàn)有的私有云和企業(yè)網(wǎng)絡(luò)的部署帶來了額外挑戰(zhàn)。這些挑戰(zhàn)具體體現(xiàn)在網(wǎng)絡(luò)安全、算力可擴展性、易用性和可監(jiān)管性等方面。

　　1.算力與原始數(shù)據(jù)的耦合，帶來部署時網(wǎng)絡(luò)安全與算力擴展的挑戰(zhàn)

　　聯(lián)邦學習的主要算力都與原始數(shù)據(jù)源部署在一起。這里存在兩個問題，即企業(yè)防火墻配置的問題和算力可擴展性的問題。

　　一般來說，大數(shù)據(jù)平臺位于企業(yè)內(nèi)部的后臺，應(yīng)該部署在企業(yè)防火墻內(nèi)，不應(yīng)從外網(wǎng)直接訪問。聯(lián)邦學習的軟件模塊需要直接訪問原始明文大數(shù)據(jù)(端上的迭代需要在明文上進行)，因此也需要進行企業(yè)內(nèi)網(wǎng)的部署。然而，在訓練過程中，不同數(shù)據(jù)源方的軟件模塊需要頻繁互相通訊，因此需要在防火墻上對外暴露網(wǎng)絡(luò)端口。這一部署模式給企業(yè)的網(wǎng)絡(luò)和信息安全帶來了額外挑戰(zhàn)。另一種部署方式是將聯(lián)邦學習軟件模塊部署在企業(yè)防火墻外的DMZ區(qū)域(demilitarized zone，隔離區(qū))中，讓聯(lián)邦學習軟件跨過防火墻與內(nèi)網(wǎng)中的大數(shù)據(jù)系統(tǒng)交換任務(wù)。這一部署模式安全性略好，但仍然需要給一個處于較低安全區(qū)(DMZ)中，且暴露網(wǎng)絡(luò)端口的聯(lián)邦學習模塊授權(quán)許多內(nèi)網(wǎng)大數(shù)據(jù)平臺的訪問權(quán)限，一旦這個模塊被黑客攻破，后果會非常嚴重。

　　另外，聯(lián)邦學習主要計算都發(fā)生在數(shù)據(jù)源端，數(shù)據(jù)源需要的算力與其數(shù)據(jù)量和計算復雜度成正比。因此每個參與方都需要部署相應(yīng)的計算能力，具備計算資源的可擴展性。聯(lián)邦學習的穩(wěn)定運行，也依賴于每一參與方的計算執(zhí)行可靠性。這種跨多個參與方的計算資源調(diào)度和容錯機制，與通常的云計算等有顯著差別。目前尚缺乏這方面的可靠的系統(tǒng)設(shè)計方案。

　　一種解決思路是，將一部分計算功能獨立出來(比如參數(shù)聚合功能)，在額外的代理計算方上運行。這樣一來，各數(shù)據(jù)源方只需主動向代理計算方推送中間參數(shù)并適時獲取聚合結(jié)果，而無需暴露自身的網(wǎng)絡(luò)接口。另外，將算力獨立出來，有利于充分利用云計算的擴展性和容錯性，而不用再依賴于各數(shù)據(jù)源方的算力水平。

　　2.算法、系統(tǒng)和業(yè)務(wù)邏輯的耦合，帶來開發(fā)門檻高，難學難懂的挑戰(zhàn)

　　當前使用聯(lián)邦學習系統(tǒng)開發(fā)一個AI算法，開發(fā)者需要在提升模型準確度的同時，時刻牢記“多方”的概念，時刻關(guān)注什么信息、可以暴露什么、不可以暴露什么，時刻注意加密了什么數(shù)據(jù)，加密后的數(shù)據(jù)可以做什么處理，時刻計算傳輸數(shù)據(jù)需要多少代價。這就要求開發(fā)者同時了解密碼學、分布式計算、AI等領(lǐng)域知識。這樣的開發(fā)者是非常難于培養(yǎng)的，寫出來的程序非聯(lián)邦學習專業(yè)工程師也很難看懂，更不用說驗證其安全性。當前的聯(lián)邦學習開源代碼都只提供了核心功能，一些對于系統(tǒng)和數(shù)據(jù)安全缺乏理解的開發(fā)者在進行二次開發(fā)的過程中，極易忽略一些基本的安全策略配置，例如此前提到的防火墻的配置，以及聯(lián)邦學習中關(guān)于密鑰管理和分發(fā)的配置方法，從而造成虛假的安全感。

　　造成這一問題的根源在于，目前聯(lián)邦學習軟件的開發(fā)接口，抽象層級不夠高，把太多的實現(xiàn)細節(jié)暴露給開發(fā)者。這當然有工程成熟度的原因，但更深層次的原因是，為了應(yīng)對我們在第二節(jié)中提到的聯(lián)邦學習的安全問題，導致現(xiàn)在聯(lián)邦學習的實現(xiàn)上都打上了多種安全補丁。一個常見的補丁方式是結(jié)合一些密碼學方法來掩蓋一些梯度，例如半同態(tài)加密，但這些密碼學方法都有比較復雜的密鑰管理機制的要求，并且只能進行一些特定操作(例如加法)。因此許多算法都需要圍繞這些密碼學方法在進行特定的改進，因此導致了更為復雜的軟件接口設(shè)計。如何利用更通用的密碼計算方法，定義一套抽象的開發(fā)接口，使得AI算法設(shè)計人員和業(yè)務(wù)人員不用再去關(guān)心系統(tǒng)底層的技術(shù)，是一個聯(lián)邦學習亟待解決的工程挑戰(zhàn)。

　　一個可推薦的實現(xiàn)思路是，逐層級構(gòu)建算法體系，對外開放友好的編程接口。具體地講，在底層將基礎(chǔ)的密碼學協(xié)議進行封裝，構(gòu)建基本的密碼操作指令集，支持密文計算引擎以及它與明文計算間的轉(zhuǎn)換。這樣，聯(lián)邦學習算法的開發(fā)人員，可同時面向明文和密文開發(fā)并提供算法函數(shù)庫，而業(yè)務(wù)邏輯開發(fā)人員不僅可以直接引用這些算法庫解決問題，而且可以像修改明文算法庫一樣查驗、分析和修改這些聯(lián)邦學習算法，而不需要任何的密碼或者聯(lián)邦學習的專門知識，就像直接在明文數(shù)據(jù)上開發(fā)大數(shù)據(jù)算法一樣。在運行時，可定義開發(fā)者自主編程接口和IDE，通過配置數(shù)據(jù)源，IDE可自動適配程序中的數(shù)據(jù)指向，使得開發(fā)者就像在一個數(shù)據(jù)源(可稱為“虛擬的數(shù)據(jù)中心”)上開發(fā)一樣。

　　3.P2P架構(gòu)、半同態(tài)加密與參數(shù)聚合算法的耦合，帶來數(shù)據(jù)監(jiān)管的挑戰(zhàn)

　　監(jiān)管在數(shù)據(jù)流通中非常重要。監(jiān)管不僅僅是為了防止數(shù)據(jù)濫用對社會造成危害，同時也是避免數(shù)據(jù)造假和數(shù)據(jù)投毒的重要手段。

　　然而，聯(lián)邦學習的系統(tǒng)和算法都部署在各個數(shù)據(jù)源方，之間交換的數(shù)據(jù)全部通過加密傳輸，即使有一些中心化聚合中間結(jié)果的架構(gòu)設(shè)計，這個中心化聚合節(jié)點也僅僅是在中間結(jié)果上做了很簡單的匯聚計算(例如求和)，并不可能知曉各方在進行什么樣的數(shù)據(jù)處理，也更無法實現(xiàn)計算過程的存證。因此，一個聯(lián)邦學習的算法是否做了它聲稱的計算，只有參與方自己才知道(而且只知道自己是否做了正確的事情，不知道對方是怎么做的)。這樣的系統(tǒng)會導致在它上面進行的明文數(shù)據(jù)的直接交易(即打著隱私計算的幌子做明文數(shù)據(jù)交易)更難被發(fā)現(xiàn)和監(jiān)管。如果采用可驗證計算等手段對P2P系統(tǒng)進行監(jiān)管，會造成非常大的額外開銷。因此，如何做到對數(shù)據(jù)使用可監(jiān)管的聯(lián)邦學習，在技術(shù)和工程上都是很大的挑戰(zhàn)。其根源是，參數(shù)聚合階段只能做加法（目前由于全同態(tài)計算性能限制，只能選擇半同態(tài)加密算法），因此參數(shù)聚合服務(wù)器這個最適合履行監(jiān)管責任的一方，沒有能力分析它所處理的數(shù)據(jù)。

　　解決上述問題的一個途徑是采用支持通用密文計算的代理計算架構(gòu)，在密文上進行數(shù)據(jù)特征分析。代理計算的通用計算功能越強大，對數(shù)據(jù)分析面就越大，所能實現(xiàn)的監(jiān)管力度就越強。另外，為了防止參與方超范圍使用其他參與方的數(shù)據(jù)，應(yīng)建立多方計算合約機制，由參與計算的各方在計算開始前就數(shù)據(jù)的具體使用目的和方式簽訂合約進行授權(quán)，各方嚴格按照計算合約執(zhí)行，并對計算合約和執(zhí)行過程進行存證，保證事后可回溯、可審計、可舉證，從而防止數(shù)據(jù)濫用。

　　四、總結(jié)：需求還是方法？

　　綜上所述，目前，“聯(lián)邦學習”這個術(shù)語在市場上存在很多認識上的誤解和混淆，主要原因是其既在廣義上表達了保護數(shù)據(jù)前提下聯(lián)合多方數(shù)據(jù)訓練模型的需求，又在狹義上表示了一類通過暴露部分數(shù)據(jù)信息來提升訓練性能的方法。有趣的是，作為廣義上的需求，它強調(diào)為了保護數(shù)據(jù)安全，可以犧牲部分準確性;但作為狹義的方法，它反而強調(diào)通過犧牲安全來換取性能提升。

　　因此，作為行業(yè)用戶，選擇是不是存在“聯(lián)邦學習”的需求(也叫做數(shù)據(jù)融合計算、數(shù)據(jù)價值流通的需求)，是一個純粹的業(yè)務(wù)問題，其判斷標準是數(shù)據(jù)價值流通能否帶來業(yè)務(wù)價值;在這一需求基礎(chǔ)上，是不是要選用狹義的“聯(lián)邦學習”方法和系統(tǒng)來滿足這個需求，是個純粹的IT技術(shù)和安全合規(guī)問題，需要考慮和平衡的是數(shù)據(jù)的敏感性、泄露的代價，和進行數(shù)據(jù)保護所需的技術(shù)成本。

　　也許，這樣才能回歸到我們探索聯(lián)邦學習的初心。

　　參考文獻：

　　[1] Zhu, Ligeng, and Song Han. "Deep leakage from gradients." Federated learning. Springer, Cham, 2020. 17-31.

　　[2] Geiping, Jonas, et al. "Inverting Gradients--How easy is it to break privacy in federated learning?." arXiv preprint arXiv:2003.14053 (2020).

　　[3] Lyu, Lingjuan, Han Yu, and Qiang Yang. "Threats to federated learning: A survey." arXiv preprint arXiv:2003.02133 (2020).

　　[4] Zhao, Bo, Konda Reddy Mopuri, and Hakan Bilen. "idlg: Improved deep leakage from gradients." arXiv preprint arXiv:2001.02610 (2020).

　　[5] Bonawitz, Keith, et al. "Practical secure aggregation for privacy-preserving machine learning." proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security. 2017.

　　[6] Kairouz, Peter, et al. "Advances and open problems in federated learning." arXiv preprint arXiv:1912.04977 (2019).

　　[7] Melis, Luca, et al. "Exploiting unintended feature leakage in collaborative learning." 2019 IEEE Symposium on Security and Privacy (SP). IEEE, 2019.

　　[8] Nasr, Milad, Reza Shokri, and Amir Houmansadr. "Comprehensive privacy analysis of deep learning: Stand-alone and federated learning under passive and active white-box inference attacks." (2018).

　　[9] Bagdasaryan, Eugene, et al. "How to backdoor federated learning." International Conference on Artificial Intelligence and Statistics. PMLR, 2020.

　　[10] Bhagoji, Arjun Nitin, et al. "Analyzing federated learning through an adversarial lens." International Conference on Machine Learning. PMLR, 2019.

　　[11] Sun, Ziteng, et al. "Can you really backdoor federated learning?." arXiv preprint arXiv:1911.07963 (2019).

　　[12] Xie, Chulin, et al. "Dba: Distributed backdoor attacks against federated learning." International Conference on Learning Representations. 2019.

　　[13] Wang, Hongyi, et al. "Attack of the tails: Yes, you really can backdoor federated learning." arXiv preprint arXiv:2007.05084 (2020).

　　[14] Wang, Zhibo, et al. "Beyond inferring class representatives: User-level privacy leakage from federated learning." IEEE INFOCOM 2019-IEEE Conference on Computer Communications. IEEE, 2019.