联邦学习 不经意传输—多方安全计算mpc
2023-08-31 13:18:45
联邦学习与不经意传输（OT）均属于圆旦多方安全计算（MPC）的范畴，但联邦学习侧重于跨平台协作建模，不经意传输则聚焦于隐私保护的数据查询。以下从概念、流程、技术定位三个维度展开分析：
一、核心概念对比不经意传输（OT）是一种允许查询方（A）从被查询方（B）的数据库中获取特定数据（k），同时确保B无法知晓A具体查询内容的技术。其核心通过混淆加密实现：B持有两个公钥（m1, m2），A将查询数据k分别用m1、m2加密生成密文（km1, km2）发送给B；B解密后得到两个可能的结果（k1=k, k2≠k），但无法区分哪个是A的真实需求，最终通过异或运算返回加密结果，A用原始密钥k解密获得目标数据。
联邦学习（Federated Learning）是一种跨机构、跨平台的多方安全计算框架，旨在解决数据孤岛问题。通过分布式训练模型，各参与方（如医院、银行）无需共享原始数据，仅交换模型参数或中间结果，从而在保护数据隐私的前提下实现联合建模。例如，多家医院可协同训练疾病预测模型，但患者数据始终留在本地。
不经意传输的交互流程
加密阶锋滚段：A用B的公钥（m1, m2）对查询数据k加密，生成密文对（km1, km2）并发送给B。
解密与混淆阶段：B用私钥解密得到（k1, k2），其中k1=k但B不知其对应哪个公钥；B查询数据库获得（r1, r2），计算异或结果（k1⊕r1, k2⊕r2）返回给A。
结果提取阶段：A用k解密k1⊕r1（因k1由k加密生成），得到目标结果r1。关键点：B始终无法确定A查询的是k1还是k2，实现了查询隐私保护。
联邦学习的协作流程
初始化阶段：中央服务器或参与方协商模型结构（如神经网络层数）。
本地训练阶段：各参与方用本地数据训练模型副本，计算梯度或参数更新。
安全聚合阶段：通过加密技术（如同态加密、差分隐私）汇总各方更新，避免原始数据泄露。
模型更新阶段：中央服务器整合聚合结果，更新全局模型并反馈给各方。关键点：数据始终留在本地，仅共享模型中间结果，实现“数据不动模型动”。
不经意传输
定位：MPC的基础协议之一，专注于单次查询的隐私保护。
应用场景：隐私信息检索（如用户从数据库查询敏感信息）、安全两方计算（如私有集合交集）。
局限性：需多次交互，计算开销较大，不适合大规模数据协作。
联邦学习
定位：MPC的宏观框架，支持持续迭代的多方协作。
应用场景：跨机构联合建模（如金融风控、医疗诊断）、物联网设备协同学习（如智能摄像头目标检测）。
优势：突破数据孤岛，支持复杂模型训练，但需解决通信效率、异构数据兼容等问题。
- 互补性：联邦学习可能集成不经意传输等MPC协议增强隐私性。例如，在参数聚合阶段，可用OT协议实现安全求和，防止中间结果泄露。
- 层级差异：OT是具体技术工具，联邦学习是系统级解决方案，二者可结合构建更安全的分布式计算体系。
总结：不经银腔余意传输通过加密混淆实现单次查询的隐私保护，联邦学习通过分布式协作解决数据孤岛问题。前者是MPC的“微观技术”，后者是“宏观框架”，二者共同推动隐私计算领域的发展。
热门标签
