一 背景

最近总结自己的公众号的时候，发现一个问题：对于联邦学习的文章，基本都是在讲述纵向联邦学习，对于横向联邦学习的技术涉及较少，所以心血来潮之下，决定写几篇文章来压压箱子底。

❝

横向联邦：现代移动设备可以访问大量适合学习模型的数据，这些数据反过来可以大大提高设备上的用户体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照片。然而，这些丰富的数据通常是隐私敏感的、数量很大的，或者两者兼有，这可能会阻止记录到数据中心并使用常规方法在那里进行分析训练。

❞

所以针对于此研发人员设计了一种新的模式，即让训练数据分布在移动设备上，并通过聚集本地计算的更新来学习共享模型。我们将这种模式称为联邦学习。

横向联邦学习面临较多的挑战，大致总结如下：

• 设备的异构性，不稳定；
  
• 通信网络的异构性、不稳定、不可靠；
  
• 数据的异构性，Non IID问题（云端数据与机器非私有隶属关系，可以通过Global Shuffle解决）；
  
• 框架的算法效率，通信的频率等；
  
• 训练过程中的隐私性；
  

本篇文章作为介绍横向联邦学习的首作，主要讲解下横向联邦学习的模式、难点、参数的更新方式，后续文章会陆续从以下方面进行介绍；

1. 高效的共享模型构建构建更新模式；
   
2. 构建更新共享模型中的隐私安全风险以及应对手段；
   
3. 横向联邦学习的前沿技术；
   

二 横向联邦学习的安全问题

在上一篇文章中，我们介绍了横向联邦学习的两种模型更新的方式：

• FedSGD
  
• FedAVG
  

❝

上面介绍的两个算法，所有的梯度、参数等都是通过明文的形式传递的，所以存在泄露问题，下面我们就介绍下梯度泄露；

❞

梯度会泄露用户的个人信息，在NeurIPS 2019中，《Deep Leakage from Gradients》一文指出，从梯度可以推断出原始的训练数据，包括图像和文本数据。

其中报道了一个用20行基于PyTorch核心代码的样例，运用GAN的思想，让分布式训练中的一个攻击方可以从整个模型更新梯度的过程中，通过减少梯度差异的方式，不断生成与其他参与各方相同的数据，从而实现『偷取』数据。

• Deep Leakage by Gradient Matching
  

• 其核心算法是匹配虚拟数据和真实数据之间的梯度。在PyTorch中，不到20行就可以实现它!
  

def deep_leakage_from_gradients(model, origin_grad):   dummy_data = torch.randn(origin_data.size())  dummy_label =  torch.randn(dummy_label.size())  optimizer = torch.optim.LBFGS([dummy_data, dummy_label] )

  for iters in range(300):    def closure():      optimizer.zero_grad()      dummy_pred = model(dummy_data)       dummy_loss = criterion(dummy_pred, dummy_label)       dummy_grad = grad(dummy_loss, model.parameters(), create_graph=True)

      grad_diff = sum(((dummy_grad - origin_grad) ** 2).sum() \        for dummy_g, origin_g in zip(dummy_grad, origin_grad))

      grad_diff.backward()      return grad_diff

    optimizer.step(closure)

  return  dummy_data, dummy_label

• 在视觉图片上的实验效果
  

• 在语言模型上的实验效果
  

三 前置知识

❝

但是其实早在2017年，谷歌的Bonawitz等发表了《Practical Secure Aggregation for Privacy-Preserving Machine Learning》这篇文章，详细阐述了针对梯度泄露攻击设计的Secure Aggregation协议，我们简称为SMPC.

❞

• 前置知识
  

秘密分享：可以参考我专栏里面的文章，隐私计算基础组件系列-秘密分享

DH密钥交换：可以参考我专栏里面的文章，隐私计算加密技术基础系列-Diffie–Hellman key exchange

❝

下面我们再简单分享下秘密分享和DH秘钥交换，这里只做简单的介绍，如果有需要详细了解这两个知识点内容的同学，请移步到上面的链接。

❞

1 简单介绍下秘密分享

下面简单介绍下秘密分享，有想全面了解的，请移步 隐私计算基础组件系列-秘密分享

主要是介绍阈值秘密分享，阈值秘密分享的基本思路是，基于秘密分享的便携性与安全性的考量，如果有个n个秘密分片，我们只需要凑齐 k（ 1 < K <n ）个人，他们手中的信息拼凑起来，就可以获取秘密。

那么如何才能做到这点呢？有以下几个问题需要考虑；

• 随机性：挑选的k个人，需要是随机挑选的k个人，不能是一个固定的选取。
  
• 必然性：随机选出的这k个人，必须能需要的数字进行解密。
  

那么，是什么样的技术可以实现呢？

大家还记得学习《线性代数》的时候吧，在线性代数的课上，k个参与者，相当于k个变量，那么需要k个方程就才可以解出来。

❝

「计算逻辑」

❞

秘密数字：D；

参与方：n个参与者，，

一个大的素数：p，约束这个素数要大于D和n

• 首先，构造出n个方程式，构造公式 ，这个公式是从文章How to Share a Secret里面分析的，说白了就是多项式，列举如下：

  • 公式展开：

    ，其中；

  • 公式举例（假设k为3，n为10）

    ，其中a_0 = D$；

    ，其中a_0 = D$；

    ......

    ，其中a_0 = D$；

• 然后，目前的方程组里面，还有的（k-1）个变量，那么这几个变量如何获取呢?根据Adi Shamir在ACM发布的《How to Share a Secret 》的描述， The coefficients in q(x) are randomly chosen from a uniform distribution over the integers in [0, p), 也就是说在[0,p)的范围内均匀分布中进行获取。

• 然后，原始文章中也对，进行了约束是大素数的取模，不过这理解这个大素数的p的作用更多是控制我们选择的大小的，防止数据的过于膨胀；（唯一解的问题，在构造的时候基本可以规避，大家可以自行证明，提示一下：系数行列式不等于零）；

• 最后，将这个n个方程划分给n个参与者。需要计算的时候，只需要将k个方程获取进行联合计算就可以计算出a也就是秘密D。

❝

「案例介绍」

❞

下面通过一个案例，介绍下基于多项式的阈值秘密分享。

• 输入

  • 秘密数字：D = 88
    
  • 参与方：10个，，
    
  • 大素数：991
    
  • 解密阈值：3
    

• 加密逻辑

  • 首先，生成方程组

    ，其中；

    ，其中；

    ......

    ，其中；

  • 然后，基于素数生成 的值，设定，则方程组如下，并且

    ，其中；

    ，其中$；

    ......

    ，其中；

  • 然后，可见，都小于我们设置的素数991，符合预设，所以将这10个方程分布分发到10个参与者分片Server。

• 解密逻辑

  • 首先，假设抽取参与者1，2， 10的方程组成方程组进行解密，则方程组如下：

  • 最后，求解这个方程组，则，则解出秘密D。

2 简单介绍下DH秘钥交换

下面先简单介绍下DH秘钥交换，有想全面了解的，请移步 隐私计算加密技术基础系列-Diffie–Hellman key exchange

最简单，最早提出的这个协议使用一个质数p的整数模n乘法群以及其原根g。下面展示这个算法，绿色表示非秘密信息，「红色粗体」表示秘密信息：

由上面的流程可以看到，Alice和Bob最终都得到了同样的值，因为在模p的情况下和相等。注意、和是秘密的。

三 横向联邦学习的参数更新机制

2.2 安全聚合算法 简介

❝

但是其实早在2017年，谷歌的Bonawitz等发表了《Practical Secure Aggregation for Privacy-Preserving Machine Learning》这篇文章，详细阐述了针对梯度泄露攻击设计的Secure Aggregation协议。

❞

3.2 First Attempt: Masking with One-Time Pads

安全地聚合用户数据向量的第一次尝试涉及到每对用户u,v，用户u < v同意一个秘密的总顺序，这个秘密被记为su,v。每个用户用他们与所有其他用户构建的秘密蒙蔽了他们的输入值xu。如果u将su,v加到xu上，v从xv中减去它，那么当它们的向量相加时，掩码就会被取消，但它们的实际输入不会显示出来。形式上，每个用户的盲值是

P是一个公共的大的素数。

整体流程如下：

上面的方案是存在问题的，假设用户2在上传的时候掉线了，没有把发送给服务器，那么这一轮全局更新中，服务端的聚合值 是没有意义的。

3.3 Second Attempt: Masking with One-Time Pads with Recovery

❝

上面的方案，在有用户掉线的时候，存在聚合时效的情况。所以考虑恢复方案，比如用户2掉线的时候，进行恢复阶段的处理，对于用户2的添加的扰动值来说，用户1和用户3是知道的，所以服务器只要询问用户1和用户3，获取相应的扰动值，就可以剔除影响，完成聚合。

❞

• 问题

  • 在回复秘密之前，其他用户可能会在恢复阶段退出，这将需要一个额外的恢复阶段来报告新删除的用户的秘密，所以这个方案的要求比较严格，考虑一个较为松散的方案替换。
    
  • 延迟的通信可能会导致服务器认为某个用户被删除了，从而可以从所有其他用户那里恢复他们的机密。但是如果是网络延迟，将导致服务器能够在收到用户的秘密后解密他们的个人信息。
    

3.4 Final Attempt: Double-Masking

针对上面存在的问题，采用双掩码机制，即使用两个随机数，并且加入秘密分享的机制。

• 为用户u引入另外一个随机数。所有的和均使用秘密分享的方式分享给其他用户，在恢复阶段，至少t个用户才能恢复一个秘密。
  
• 在聚合阶段

  • 如果用户u掉线，只聚合第一个分享的随机数;
    
  • 如果用户u不掉线，则聚合两个随机数和；\
    

❝

整体流程如下，由于这个整体流程较为复杂，所以本问仅仅进行大体介绍，后续会另开一篇文章进行详细的介绍。

❞

四 参考资料

• Deep Leakage from Gradients
  
• Secure Analytics: Federated Learning and Secure Aggregation
  
• Federated Learning of Deep Networks using Model Averaging
  
• Practical Secure Aggregation for Privacy-Preserving Machine Learning
  

五 番外篇

❝

个人介绍：杜宝坤，隐私计算行业从业者，从0到1带领团队构建了京东的联邦学习解决方案9N-FL，同时主导了联邦学习框架与联邦开门红业务。 框架层面：实现了电商营销领域支持超大规模的工业化联邦学习解决方案，支持超大规模样本PSI隐私对齐、安全的树模型与神经网络模型等众多模型支持。 业务层面：实现了业务侧的开门红业务落地，开创了新的业务增长点，产生了显著的业务经济效益。 个人比较喜欢学习新东西，乐于钻研技术。基于从全链路思考与决策技术规划的考量，研究的领域比较多，从工程架构、大数据到机器学习算法与算法框架均有涉及。欢迎喜欢技术的同学和我交流，邮箱：「baokun06@163.com」

❞

六 公众号导读

自己撰写博客已经很长一段时间了，由于个人涉猎的技术领域比较多，所以对高并发与高性能、分布式、传统机器学习算法与框架、深度学习算法与框架、密码安全、隐私计算、联邦学习、大数据等都有涉及。主导过多个大项目包括零售的联邦学习，社区做过多次分享，另外自己坚持写原创博客，多篇文章有过万的阅读。公众号「秃顶的码农」大家可以按照话题进行连续阅读，里面的章节我都做过按照学习路线的排序，话题就是公众号里面下面的标红的这个，大家点击去就可以看本话题下的多篇文章了，比如下图（话题分为：一、隐私计算 二、联邦学习 三、机器学习框架 四、机器学习算法 五、高性能计算 六、广告算法 七、程序人生），知乎号同理关注专利即可。

一切有为法，如梦幻泡影，如露亦如电，应作如是观。