聯(lián)邦學(xué)習(xí)中的隱私保護(hù)技術(shù)研究綜述

王 騰，霍 崢，黃亞鑫，范藝琳

（1.中國電科網(wǎng)絡(luò)通信研究院，石家莊 050081；2.河北經(jīng)貿(mào)大學(xué) 信息技術(shù)學(xué)院，石家莊 050061）

0 引言

機(jī)器學(xué)習(xí)算法在自動識別、智能決策等方面具備顯著優(yōu)勢，已逐漸成為人工智能和大數(shù)據(jù)處理的技術(shù)基礎(chǔ)。大部分機(jī)器學(xué)習(xí)算法需要龐大的訓(xùn)練數(shù)據(jù)集來保證訓(xùn)練模型的性能［1］，在這背后是大量的個人數(shù)據(jù)被采集，包括姓名、身份證件號碼、聯(lián)系方式、住址、賬號密碼、財產(chǎn)狀況、行蹤軌跡、消費(fèi)狀況等，甚至還有生理特征、就醫(yī)記錄等更敏感的信息。上述信息不但被采集、利用，甚至還可能被售賣給第三方獲取利益，使個人隱私遭到嚴(yán)重的泄露。隨著個人用戶、政府部門及數(shù)據(jù)采集方對個人數(shù)據(jù)隱私的關(guān)注，國家相繼出臺各種法律法規(guī)，嚴(yán)禁非法采集公民的個人數(shù)據(jù)：2017 年6 月起，我國實(shí)施了《中華人民共和國網(wǎng)絡(luò)安全法》［2］，2021 年9 月1日正式實(shí)施了《中華人民共和國數(shù)據(jù)安全保護(hù)法》［3］，2021 年11 月1 日實(shí)施了《中華人民共和國個人信息保護(hù)法》［4］。

即使能合法采集個人數(shù)據(jù)，但個人數(shù)據(jù)大多分散存儲在不同的機(jī)構(gòu)中，由于政策壁壘與存儲資源的限制，很難實(shí)現(xiàn)數(shù)據(jù)的集中存放。近年來，聯(lián)邦學(xué)習(xí)（Federated Learning，F(xiàn)L）［5］的出現(xiàn)成為機(jī)器學(xué)習(xí)領(lǐng)域的新熱點(diǎn)。聯(lián)邦學(xué)習(xí)的概念最早是在2016 年由谷歌提出的［6］，它是一種分布式的機(jī)器學(xué)習(xí)框架，分布在多個節(jié)點(diǎn)上的數(shù)據(jù)集協(xié)同訓(xùn)練，最終可獲取全局?jǐn)?shù)據(jù)集上的機(jī)器學(xué)習(xí)模型。聯(lián)邦學(xué)習(xí)具有天然的隱私保護(hù)特質(zhì)，數(shù)據(jù)不需要集中存放，僅需在數(shù)據(jù)分散存儲的節(jié)點(diǎn)上訓(xùn)練模型，服務(wù)器無法獲取原始數(shù)據(jù)，個人數(shù)據(jù)隱私得到有效的保護(hù)。在數(shù)據(jù)隱私與安全問題備受關(guān)注的今天，聯(lián)邦學(xué)習(xí)在避免數(shù)據(jù)泄露、避免中心點(diǎn)數(shù)據(jù)受到攻擊等方面具備顯著優(yōu)勢。此外，傳統(tǒng)的機(jī)器學(xué)習(xí)模型不能直接處理異構(gòu)數(shù)據(jù)，利用聯(lián)邦學(xué)習(xí)技術(shù)，無需處理異構(gòu)數(shù)據(jù)即可建立全局?jǐn)?shù)據(jù)上的機(jī)器學(xué)習(xí)模型，既保護(hù)了數(shù)據(jù)隱私，又解決了數(shù)據(jù)異構(gòu)問題［7］。聯(lián)邦學(xué)習(xí)可應(yīng)用在涉及個人敏感數(shù)據(jù)的機(jī)器學(xué)習(xí)任務(wù)中，如個人醫(yī)療數(shù)據(jù)、可穿戴設(shè)備數(shù)據(jù)、面部特征數(shù)據(jù)、個人資產(chǎn)數(shù)據(jù)等［8-10］。

目前，許多機(jī)器學(xué)習(xí)模型已擴(kuò)展到聯(lián)邦學(xué)習(xí)架構(gòu)中，比如線性回歸［11］、支持向量機(jī)［12］、神經(jīng)網(wǎng)絡(luò)［13-14］、聚類［15］、決策樹［16-17］、深度學(xué)習(xí)［18-19］等。然而，研究發(fā)現(xiàn)，聯(lián)邦學(xué)習(xí)架構(gòu)的隱私保護(hù)度不足以完全防御外部隱私攻擊［20］，具體來說，在模型訓(xùn)練和模型預(yù)測階段都可能泄露數(shù)據(jù)隱私。在模型訓(xùn)練階段，通常需要構(gòu)建經(jīng)驗(yàn)損失函數(shù)，采用隨機(jī)梯度下降（Stochastic Gradient Descent，SGD）方法找到損失函數(shù)的最小值，將最小值對應(yīng)的參數(shù)作為模型參數(shù)上傳給服務(wù)器。不可信服務(wù)器/外部攻擊者可能利用參與方的模型參數(shù)逆推數(shù)據(jù)分布特征，甚至逆推出具體的訓(xùn)練集數(shù)據(jù)，導(dǎo)致參與方的數(shù)據(jù)隱私泄露。在模型預(yù)測階段，攻擊者可反復(fù)調(diào)用模型進(jìn)行預(yù)測，特別是對某些泛化能力不足的模型，在預(yù)測某些訓(xùn)練集中出現(xiàn)過的數(shù)據(jù)時，模型的表現(xiàn)與訓(xùn)練集中未出現(xiàn)過的數(shù)據(jù)有較大差距，攻擊者通過這一特征可判斷某些數(shù)據(jù)是否出現(xiàn)在訓(xùn)練集之中，如果訓(xùn)練集包含敏感信息，則個人隱私泄露。

隱私保護(hù)技術(shù)經(jīng)過多年的發(fā)展，逐漸形成了幾類較為成熟的方法：以差分隱私為代表的數(shù)據(jù)擾動法［21］、以k-匿名為代表的數(shù)據(jù)泛化法［22］、以安全多方計算（Secure Multiparty Computation，SMC）為代表的數(shù)據(jù)加密法［23］等。隱私保護(hù)的應(yīng)用場景從最初的關(guān)系型數(shù)據(jù)發(fā)布、基于位置的服務(wù)等簡單場景，逐漸發(fā)展到較為復(fù)雜的社交網(wǎng)絡(luò)、電子商務(wù)、圖像識別等領(lǐng)域。在上述隱私保護(hù)應(yīng)用場景中，數(shù)據(jù)可用性與隱私保護(hù)度是一對矛盾，研究的關(guān)鍵問題在于如何在保護(hù)隱私的前提下提高數(shù)據(jù)可用性。而在機(jī)器學(xué)習(xí)/聯(lián)邦學(xué)習(xí)場景下，隱私保護(hù)度和模型精確度是一對矛盾，隱私保護(hù)度的提升意味著模型預(yù)測精確度的下降、模型的收斂速度變慢等問題。尤其是深度學(xué)習(xí)模型結(jié)構(gòu)異常復(fù)雜，且不具備可解釋性，使得隱私保護(hù)與模型可用性之間的矛盾關(guān)系無法量化。針對聯(lián)邦學(xué)習(xí)中的隱私泄露問題，需要設(shè)計新的隱私保護(hù)方案。

目前，聯(lián)邦學(xué)習(xí)中的隱私保護(hù)技術(shù)已經(jīng)成為聯(lián)邦學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，研究者們發(fā)表了不少相關(guān)研究內(nèi)容的綜述，如表1 所示。

表1 聯(lián)邦學(xué)習(xí)中隱私保護(hù)技術(shù)的相關(guān)綜述Tab.1 Reviews related to privacy-preserving technologies in federated learning

文獻(xiàn)［20］中對機(jī)器學(xué)習(xí)中的隱私攻擊和隱私保護(hù)方法進(jìn)行了調(diào)研和分析，側(cè)重機(jī)器學(xué)習(xí)中的隱私保護(hù)技術(shù)；文獻(xiàn)［24］中對分布式深度學(xué)習(xí)中的隱私與安全攻擊模型、防御措施進(jìn)行了綜述；文獻(xiàn)［25-27］中對聯(lián)邦學(xué)習(xí)架構(gòu)中的安全攻擊與防御措施進(jìn)行了綜述，側(cè)重于安全攻擊與防御；文獻(xiàn)［28］中重點(diǎn)介紹了機(jī)器學(xué)習(xí)環(huán)境中安全攻擊的類型及防御方法；文獻(xiàn)［29］中綜述了聯(lián)邦學(xué)習(xí)的概念及隱私保護(hù)技術(shù)，提出了聯(lián)邦學(xué)習(xí)中隱私問題的“5W”；文獻(xiàn)［30］中綜述了物聯(lián)網(wǎng)領(lǐng)域中，利用聯(lián)邦學(xué)習(xí)訓(xùn)練基于用戶隱私數(shù)據(jù)的機(jī)器學(xué)習(xí)模型的研究現(xiàn)狀，重點(diǎn)討論了其中的隱私保護(hù)策略、通信代價和數(shù)據(jù)異構(gòu)問題。

1 預(yù)備知識

1.1 隱私與隱私保護(hù)

隱私是指個人或?qū)嶓w不愿被外界知曉的信息。早在19世紀(jì)發(fā)表在《哈佛法律評論》上的《論隱私權(quán)》［31］中就將隱私定義為“不受打擾的權(quán)利”。隨后，各國不斷修整完善涉及隱私權(quán)的法律法規(guī)，直到2018 年5 月歐盟實(shí)施了最嚴(yán)格的隱私保護(hù)法——《通用數(shù)據(jù)保護(hù)條例》［32］，要求企業(yè)賦予用戶“被遺忘的權(quán)利”。同年，數(shù)據(jù)隱私被納入計算機(jī)專有名詞，指數(shù)據(jù)中直接或間接蘊(yùn)含的，涉及個人或組織的，不宜公開的，需要在數(shù)據(jù)收集、數(shù)據(jù)存儲、數(shù)據(jù)查詢和分析、數(shù)據(jù)發(fā)布等過程中加以保護(hù)的信息。敏感信息是指不當(dāng)使用或未經(jīng)授權(quán)被人接觸或修改會不利于國家利益、聯(lián)邦政府計劃的實(shí)行、不利于個人依法享有的個人隱私權(quán)的所有信息。隱私保護(hù)技術(shù)通過對原始數(shù)據(jù)的變換達(dá)到保護(hù)個人敏感信息不泄露的目的，同時保證能在變換后的數(shù)據(jù)上獲取信息、模型或服務(wù)。

1.2 聯(lián)邦學(xué)習(xí)

聯(lián)邦學(xué)習(xí)是一種分布式機(jī)器學(xué)習(xí)架構(gòu)，由中心服務(wù)器、參與方Pi（1 ≤i≤n）及用戶構(gòu)成。其中，參與方各自持有本地數(shù)據(jù)集Di，無需進(jìn)行數(shù)據(jù)共享，通過協(xié)作的方式訓(xùn)練在全局?jǐn)?shù)據(jù)集上的模型［33］。與傳統(tǒng)的分布式系統(tǒng)不同，聯(lián)邦學(xué)習(xí)的各參與方可以是“異質(zhì)”的，即參與方軟硬件配置、持有的數(shù)據(jù)格式、數(shù)據(jù)分布、模型結(jié)構(gòu)等都可不同，依據(jù)不同角度可對聯(lián)邦學(xué)習(xí)進(jìn)行如下分類：

1）根據(jù)參與方數(shù)量的多寡與算力的強(qiáng)弱，聯(lián)邦學(xué)習(xí)可分為cross-device 和cross-silo 兩類［34］：cross-silo 中參與方往往為大型組織（如醫(yī)療、金融等相關(guān)機(jī)構(gòu)），數(shù)量較少但算力較強(qiáng)；cross-device 中參與方為個人設(shè)備，數(shù)量龐大且算力較弱，在該場景下，不是每個參與方都有機(jī)會參與每一輪訓(xùn)練，通常利用采樣的方式確定哪些用戶可以參與訓(xùn)練過程。

2）根據(jù)聯(lián)邦學(xué)習(xí)架構(gòu)中是否存在中心服務(wù)器，聯(lián)邦學(xué)習(xí)架構(gòu)可以分為中心化架構(gòu)與去中心化架構(gòu)，如圖1 所示。去中心化架構(gòu)［35］不需要可信服務(wù)器，在每次迭代中，參與方在本地數(shù)據(jù)上更新梯度，將梯度發(fā)送到選定的一方，選定方使用其本地數(shù)據(jù)和梯度值再度更新模型，直到所有參與方都更新了模型，最后將模型廣播給所有參與方。為了保證模型的公平 性，充分利用各方數(shù)據(jù)，參與方事先約定迭代相同的輪數(shù)。

圖1 聯(lián)邦學(xué)習(xí)架構(gòu)Fig.1 Architectures of federated learning

3）根據(jù)不同參與方之間的數(shù)據(jù)特征分割方式，聯(lián)邦學(xué)習(xí)又可分為橫向聯(lián)邦學(xué)習(xí)（Horizontal federated learning）、縱向聯(lián)邦學(xué)習(xí)（Vertical federated learning）和聯(lián)邦遷移學(xué)習(xí)（Transfer Federated Learning，TFL）［4］。橫向聯(lián)邦學(xué)習(xí)指數(shù)據(jù)持有方存儲了不同用戶的具有相同屬性的數(shù)據(jù)；縱向聯(lián)邦學(xué)習(xí)指數(shù)據(jù)持有方存儲了相同用戶的不同屬性的數(shù)據(jù)；聯(lián)邦遷移學(xué)習(xí)指數(shù)據(jù)持有方持有的數(shù)據(jù)中用戶和屬性重疊都較少的情況，如圖2 所示。

圖2 基于數(shù)據(jù)分割方式的聯(lián)邦學(xué)習(xí)分類［5］Fig.2 Federated learning classification based on data segmentation methods［5］

聯(lián)邦學(xué)習(xí)中參與方的參數(shù)更新方式可分為兩類：一類是基于隨機(jī)梯度的更新方法（SGD-based），另一類為基于模型特征的更新方法（Model specialized）［36］。FedSGD 和FedAVG［37］是基于隨機(jī)梯度更新的典型方法：FedSGD 指參與方將每輪機(jī)器學(xué)習(xí)的梯度值傳給服務(wù)器，服務(wù)器聚合后返回給參與方；FedAVG 方法允許參與方在服務(wù)器聚合參數(shù)之前多次迭代計算梯度值，服務(wù)器不必每次計算中間結(jié)果的均值，減少了通信輪數(shù)。FedSVRG［38］、FedProx［39］、FedNova［40］等方法對FedAVG 的參數(shù)聚合進(jìn)行了改進(jìn)。FedSVRG 向服務(wù)器發(fā)送的不是簡單的梯度值，而是隨機(jī)方差縮減梯度，與FedSGD 相比，F(xiàn)edSVRG 方法在相同迭代輪數(shù)下模型精度更高；FedProx 和FedNova 考慮到參與方數(shù)據(jù)異構(gòu)的問題，以限制本地更新的次數(shù)與全局聚合的方式提高模型精確度。常用的FedAVG 聚合方式為加權(quán)平均，即：w=，其中wi表示第i個參與方的模型參數(shù)，pi表示第i個參與方的數(shù)據(jù)量占全局?jǐn)?shù)據(jù)量的比例，w表示經(jīng)服務(wù)器聚合后的模型參數(shù)。通過w*=計算可獲取全局?jǐn)?shù)據(jù)上的機(jī)器學(xué)習(xí)模型參數(shù)。經(jīng)驗(yàn)風(fēng)險最小化是常用的求解最優(yōu)參數(shù)w*的算法，F(xiàn)i(·)表示第i個參與方的經(jīng)驗(yàn)損失函數(shù)，通常采用隨機(jī)梯度下降求解。

另一類參數(shù)更新方式為基于模型的方法，指參與方與服務(wù)器交互參數(shù)時，不直接更新梯度值，而是依據(jù)模型特征設(shè)計更新參數(shù)，已應(yīng)用于梯度增強(qiáng)決策樹［16］、聯(lián)邦森林［41］、線性/邏輯回歸等模型［42］。Zhao 等［16］提出了聯(lián)邦學(xué)習(xí)梯度增強(qiáng)決策樹的模型，參與方在本地數(shù)據(jù)上訓(xùn)練決策樹，將訓(xùn)練好的決策樹模型送到下一個參與方。文獻(xiàn)［43］中利用圖像中的相似信息通過使用位置敏感哈希建立聯(lián)邦梯度提升決策樹（Gradient Boosting Decision Tree，GBDT），通過聚集類似實(shí)例的梯度值來利用參與方本地數(shù)據(jù)。

無論上述哪種參數(shù)交互方式，參與方之間或參與方與服務(wù)器之間的模型參數(shù)的交互都必不可少，數(shù)據(jù)傳輸也會導(dǎo)致數(shù)據(jù)隱私的泄露。

1.3 聯(lián)邦學(xué)習(xí)中的隱私泄露問題

Papernot 等［44］提出了機(jī)器學(xué)習(xí)中的CIA 安全模型，即機(jī)密 性（Confidentiality）、完整性（Integrity）及可用性（Availability）。機(jī)密性是指未經(jīng)授權(quán)的用戶無法獲取訓(xùn)練數(shù)據(jù)、模型參數(shù)等信息；完整性指模型的預(yù)測結(jié)果不能偏離預(yù)期；可用性指模型在異常甚至惡意輸入的情況下，仍然可以正常使用。本文主要關(guān)注CIA 模型中的機(jī)密性。聯(lián)邦學(xué)習(xí)中數(shù)據(jù)無需集中存放，不會產(chǎn)生由大規(guī)模數(shù)據(jù)采集帶來的直接數(shù)據(jù)隱私泄露問題，但在聯(lián)邦學(xué)習(xí)中，模型訓(xùn)練階段及預(yù)測階段可能產(chǎn)生數(shù)據(jù)隱私泄露的問題，具體表現(xiàn)為：

1）在模型訓(xùn)練階段，不可信服務(wù)器可利用參與方上傳的參數(shù)進(jìn)行攻擊，獲取訓(xùn)練數(shù)據(jù)的敏感信息［45］；或利用接收到的中間參數(shù)進(jìn)行成員推斷攻擊，推測某條記錄是否出現(xiàn)在參與方的敏感訓(xùn)練集中［46］；或獲取參與方數(shù)據(jù)的分布特征后，利用生成模型重構(gòu)參與方的訓(xùn)練集。

2）在模型預(yù)測階段，由于訓(xùn)練模型的泛化能力不足、訓(xùn)練模型簡單易導(dǎo)致參與方數(shù)據(jù)泄露攻擊［19］。為了避免向模型訓(xùn)練服務(wù)繳費(fèi)，攻擊者通過部分模型結(jié)構(gòu)信息和標(biāo)簽信息，試圖獲取完整的模型參數(shù)信息產(chǎn)生模型參數(shù)提取攻擊［47］。在模型預(yù)測階段，若模型預(yù)測結(jié)果較敏感，如患某種疾病的概率等，預(yù)測結(jié)果也可能泄露數(shù)據(jù)隱私。

2 聯(lián)邦學(xué)習(xí)中的隱私攻擊

本章從聯(lián)邦學(xué)習(xí)模型的機(jī)密性保護(hù)入手，從敵手能力、攻擊目標(biāo)、攻擊方式三方面對聯(lián)邦學(xué)習(xí)中的隱私攻擊模型進(jìn)行歸納總結(jié)。

2.1 攻擊方式

聯(lián)邦學(xué)習(xí)中的攻擊者包括內(nèi)部攻擊者和外部攻擊者：內(nèi)部攻擊者指不可信的服務(wù)器或參與方；外部攻擊者指模型用戶或外部竊聽者。從攻擊能力來看，可分為黑盒攻擊（blackbox attack）和白盒攻擊（white-box attack）［33］：黑盒攻擊指攻擊者無法直接獲取模型內(nèi)部參數(shù)，但可通過模型的使用觀測到輸入數(shù)據(jù)與輸出結(jié)果，依據(jù)獲取的“輸入-輸出”發(fā)起推理攻擊，通常情況下，模型用戶可以發(fā)起黑盒攻擊；白盒攻擊指攻擊者能獲取訓(xùn)練過程中任一輪的模型中間參數(shù)，不可信的服務(wù)器和參與方在訓(xùn)練過程中持續(xù)交互參數(shù)，可發(fā)起白盒攻擊。外部竊聽者通過監(jiān)聽，非法獲取服務(wù)器與參與方之間的交互的參數(shù)或非法獲取模型結(jié)果，根據(jù)獲取數(shù)據(jù)不同可發(fā)起兩種類型的攻擊。

2.2 攻擊目標(biāo)

破壞機(jī)密性的攻擊目標(biāo)主要包括：1）獲取參與方數(shù)據(jù)的分布特征或敏感信息［48-49］，利用生成模型重構(gòu)參與方訓(xùn)練集數(shù)據(jù)，從訓(xùn)練數(shù)據(jù)方面破壞了模型的機(jī)密性。文獻(xiàn)［49］中訓(xùn)練了多個參與方聯(lián)合訓(xùn)練人臉識別的分類模型，參與方的訓(xùn)練集圖像是參與方本人的照片，利用模型反演攻擊，采用生成模型可以重構(gòu)該參與者的面部圖像。2）推測機(jī)器學(xué)習(xí)模型的參數(shù)或功能，復(fù)制出一個功能相似甚至完全相同的機(jī)器學(xué)習(xí)模型［50］，從模型參數(shù)方面破壞模型的機(jī)密性。

2.3 攻擊模型

聯(lián)邦學(xué)習(xí)中的攻擊模型總結(jié)在表2 中。推理攻擊包括數(shù)據(jù)泄露攻擊（Data leakage attack）、屬性推理攻擊（Attribute inference attack）、模型反演攻擊（Model inversion attack）和成員推斷攻擊（Membership inference attack）。數(shù)據(jù)泄露攻擊易發(fā)生在簡單線性模型的訓(xùn)練中。機(jī)器學(xué)習(xí)的訓(xùn)練過程通常需要構(gòu)建經(jīng)驗(yàn)損失函數(shù)，采用隨機(jī)梯度下降方法找到損失函數(shù)的最小值，將最小值對應(yīng)的參數(shù)作為模型參數(shù)。在聯(lián)邦學(xué)習(xí)中，梯度值一般由學(xué)習(xí)率（learning rate）和函數(shù)微分的乘積構(gòu)成，如果損失函數(shù)過于簡單，則發(fā)送梯度值大致等同于發(fā)送原始數(shù)據(jù)。此外，若機(jī)器學(xué)習(xí)模型的泛化能力較弱，則也易遭受數(shù)據(jù)泄露攻擊，如遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）具有記憶并暴露訓(xùn)練數(shù)據(jù)中敏感、特殊模式的缺點(diǎn)。文獻(xiàn)［48］中指出，谷歌鍵盤Gboard 基于用戶的歷史文本數(shù)據(jù)聯(lián)合學(xué)習(xí)文本預(yù)測模型，從而實(shí)現(xiàn)聯(lián)想詞智能提示功能。如果用戶的鍵盤上曾經(jīng)輸入過信用卡號碼、身份證號碼等具有特殊模式的敏感信息，模型中會以某種方式包含該值，導(dǎo)致數(shù)據(jù)隱私泄露。

表2 隱私攻擊模型分類Tab.2 Classification of privacy attack models

成員推斷攻擊和模型反演攻擊在機(jī)器學(xué)習(xí)隱私保護(hù)技術(shù)中已有研究。Shokri 等［46］首次提出了成員推斷攻擊，利用訓(xùn)練目標(biāo)模型影子模型的方式，推斷某些數(shù)據(jù)是否屬于訓(xùn)練集。Hayes 等［54］提出了針對生成模型的成員推斷攻擊。在目標(biāo)模型生成的樣本上訓(xùn)練了生成對抗性網(wǎng)絡(luò)（Generative Adversary Network，GAN），依靠GAN 對真實(shí)記錄和合成記錄進(jìn)行分類，可區(qū)分樣本是否是基于訓(xùn)練集的輸入。在聯(lián)邦學(xué)習(xí)架構(gòu)下，不可信服務(wù)器通過成員隸屬攻擊可獲取參與方數(shù)據(jù)的敏感信息。在訓(xùn)練過程中，攻擊者通過白盒攻擊獲取目標(biāo)模型的多個版本，對多個版本的模型分別進(jìn)行成員隸屬攻擊提高攻擊成功概率。聯(lián)邦學(xué)習(xí)中模型反演攻擊威脅更大，個人設(shè)備作為參與方，其數(shù)據(jù)敏感且相似（如同一個手機(jī)端的數(shù)據(jù)），經(jīng)模型反演攻擊后得到的數(shù)據(jù)完全暴露了參與方的敏感信息。文獻(xiàn)［49］中研究了多個參與方聯(lián)合訓(xùn)練人臉識別的分類器的問題，每個參與方的訓(xùn)練圖像都是參與方本人的照片，利用模型反演攻擊與生成模型可以重構(gòu)該參與者的面部圖像。

3 聯(lián)邦學(xué)習(xí)中的隱私保護(hù)技術(shù)

本文依據(jù)機(jī)器學(xué)習(xí)/分布式機(jī)器學(xué)習(xí)中的隱私保護(hù)技術(shù)分類，將聯(lián)邦學(xué)習(xí)中的隱私保護(hù)分為基于差分隱私的隱私保護(hù)技術(shù)、基于同態(tài)加密的隱私保護(hù)技術(shù)、基于安全多方計算的隱私保護(hù)技術(shù)及其他技術(shù)。

3.1 基于差分隱私的隱私保護(hù)技術(shù)

基于差分隱私的隱私保護(hù)技術(shù)指向數(shù)據(jù)中添加噪聲達(dá)到擾動數(shù)據(jù)、保護(hù)隱私的目的，實(shí)現(xiàn)技術(shù)主要包括差分隱私（Differential Privacy，DP）［21］、本地化差分隱私（Local Differential Privacy，LDP）［56］、混洗（shuffle）差分隱私［57］等。

3.1.1 基本概念

差分隱私是建立在嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)之上的強(qiáng)隱私保護(hù)模型，能保證攻擊者即便在具有最大背景知識的前提下，即已知數(shù)據(jù)庫中除目標(biāo)記錄以外其他所有記錄的信息，也無法推測出目標(biāo)記錄的敏感信息。

定義1（ε，δ）-差分隱私。給定任意相鄰數(shù)據(jù)集D和D'，對隨機(jī)算法M 及任意輸出結(jié)果S，有不等式Pr [M(D) ∈S]≤exp(ε)×Pr [M(D′) ∈S]+δ成立，則稱算法M 滿足（ε，δ）-差分隱私。

實(shí)現(xiàn)差分隱私的機(jī)制包括拉普拉斯機(jī)制、指數(shù)機(jī)制［58］、高斯機(jī)制［59］等。差分隱私需要有可信的第三方數(shù)據(jù)收集者，保證所收集的數(shù)據(jù)不會被竊取和泄露。在實(shí)際應(yīng)用中，第三方數(shù)據(jù)收集者是否真正可信很難保證。本地化差分隱私將數(shù)據(jù)隱私化的工作轉(zhuǎn)移到用戶端，在數(shù)據(jù)發(fā)出用戶設(shè)備之前先進(jìn)行擾動，避免了不可信第三方造成的數(shù)據(jù)泄露。

定義2ε-本地化差分隱私。n個用戶分別持有一條記錄，若算法M 在任意兩條記錄t和t′上的輸出結(jié)果滿足不等式：Pr [M(t)=t*]≤exp(ε)×Pr [M(t′)=t*]，則 稱算法M 滿足ε-本地化差分隱私。

實(shí)現(xiàn)本地化差分隱私的機(jī)制主要是隨機(jī)響應(yīng)技術(shù)、混洗模型［57］?；煜茨Ｐ驮诒镜夭罘蛛[私的基礎(chǔ)上，增加了一個可信的shuffler 部件，將用戶端發(fā)來的數(shù)據(jù)隨機(jī)打散后再發(fā)給服務(wù)器，達(dá)到匿名的效果。

3.1.2 實(shí)現(xiàn)原理

差分隱私技術(shù)在FL 中應(yīng)用的原理是：在發(fā)布的模型參數(shù)中引入一定程度的不確定性噪聲，掩蓋任何個體用戶對訓(xùn)練結(jié)果的貢獻(xiàn)。在集中式機(jī)器學(xué)習(xí)中，可通過輸入擾動、輸出擾動、目標(biāo)擾動及梯度擾動四種方式保護(hù)訓(xùn)練數(shù)據(jù)及模型參數(shù)不被泄露；在聯(lián)邦學(xué)習(xí)中，數(shù)據(jù)不集中存放，原始數(shù)據(jù)無需擾動，隱私保護(hù)主要實(shí)施在模型訓(xùn)練階段及模型發(fā)布階段，保護(hù)參與方輸出的本地模型參數(shù)或全局模型參數(shù)不被泄露。

1）模型訓(xùn)練階段的隱私保護(hù)。

模型訓(xùn)練階段的隱私保護(hù)目的：使攻擊者無法獲知參與方的本地模型參數(shù)，聚合服務(wù)器可在擾動后的參數(shù)上計算出全局模型參數(shù)。在模型訓(xùn)練階段，其采用的方法大多基于圖3 中展示的兩種架構(gòu)：基于差分隱私的安全聚合及基于混洗差分隱私的安全聚合。

圖3（a）展示了基于差分隱私的安全聚合結(jié)構(gòu)。參與方在本地模型的參數(shù)上添加噪聲，聚合服務(wù)器無法獲取參與方的精確參數(shù)，研究的關(guān)鍵在于：如何降低噪聲添加量，保護(hù)隱私的同時保證本地參數(shù)的可用性。Wei 等［60］對經(jīng)驗(yàn)風(fēng)險最小化后的參數(shù)添加高斯噪聲。數(shù)據(jù)擾動的公式表示為：=是參與方上傳參數(shù)時添加的噪聲，當(dāng)滿足ρ(η) ∝e-α||η||時，經(jīng)驗(yàn)風(fēng)險最小化的過程滿足差分隱私，α是與隱私預(yù)算ε及經(jīng)驗(yàn)風(fēng)險最小化函數(shù)敏感度相關(guān)的參數(shù)。參與方從服務(wù)器端下載參數(shù)也需添加噪聲。添加噪聲的大小取決于函數(shù)Fi(·)的敏感度，由于各參與方的函數(shù)敏感度不同，取各個參與方函數(shù)敏感度的最大值以保證安全。Geyer 等［61］同樣使用高斯機(jī)制產(chǎn)生噪聲數(shù)據(jù)，提出一種隨機(jī)化的參數(shù)聚合方法，該方法部署在服務(wù)器端，與文獻(xiàn)［60］不同之處在于，該方法可防止攻擊者識別某個參與方是否參與了訓(xùn)練，而不是只保護(hù)參與方中的某條數(shù)據(jù)。在每一輪迭代中，服務(wù)器隨機(jī)選擇若干個參與方加入集合Zt，模型參數(shù)僅發(fā)送給Zt中的參與方。Zt中的參與方在本地數(shù)據(jù)上重新訓(xùn)練之后，將參數(shù)傳給服務(wù)器，事先計算出參數(shù)聚合操作的敏感度，再采用高斯機(jī)制擾動。Liu 等［62］提出一種分層相關(guān)傳播算法，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時計算每個屬性對模型輸出的貢獻(xiàn)度，針對貢獻(xiàn)度確定隱私預(yù)算，添加自適應(yīng)的噪聲滿足差分隱私，在確定輸出層的貢獻(xiàn)等于模型輸出之后，依次計算其余神經(jīng)元的貢獻(xiàn)通過從數(shù)據(jù)元組中提取同一屬性的貢獻(xiàn)，可計算出每個屬性類對輸出的平均貢獻(xiàn)度，向?qū)傩灶惖呢暙I(xiàn)度中添加拉普拉斯噪聲以保護(hù)數(shù)據(jù)隱私。Hu 等［63］利用差分隱私技術(shù)解決參與方計算能力各異、數(shù)據(jù)結(jié)構(gòu)異質(zhì)情況下的隱私保護(hù)，提出了個性化聯(lián)邦學(xué)習(xí)中的隱私保護(hù)問題，同樣是在參與方的中間參數(shù)中添加高斯噪聲，設(shè)置了兩個關(guān)鍵參數(shù)W和Ω，W是m個參與方的參數(shù)向量構(gòu)成的矩陣，Ω為表示各參與方之間參數(shù)關(guān)系的協(xié)方差矩陣，則目標(biāo)函數(shù)可表示為：，求解時迭代多輪直到收斂后可求得最優(yōu)模型參數(shù)。

圖3 基于差分隱私的參數(shù)安全聚合Fig.3 Secure parameter aggregation based on differential privacy

降低添加的噪聲量是基于DP 的隱私保護(hù)方法的研究要點(diǎn)。Liu 等［51］提出了一種基于概要（sketch）數(shù)據(jù)結(jié)構(gòu)的聯(lián)邦學(xué)習(xí)隱私保護(hù)方法。sketch 用少量數(shù)據(jù)描述全體數(shù)據(jù)的特征，犧牲了數(shù)據(jù)描述的準(zhǔn)確性，但降低了數(shù)據(jù)存儲及處理代價。sketch 僅描述數(shù)據(jù)的部分特征，達(dá)到同樣的ε-差分隱私在sketch 上添加噪聲量明顯小于在原始參數(shù)上添加的噪聲量。Liu 等［51］利用sketch 結(jié)構(gòu)［64］實(shí)現(xiàn)cross-device 場景下參與方模型更新參數(shù)的隱私保護(hù)，提出并證明了一個重要的規(guī)則：Count-sketch 和Count-Min 在模型空間明顯較大時能實(shí)現(xiàn)差分隱私，因此將應(yīng)用場景放在cross-device 聯(lián)邦學(xué)習(xí)場景下。利用“參與采樣+傳送參數(shù)sketch”的方法實(shí)現(xiàn)了參數(shù)的隱私保護(hù)，并在線性回歸、多層感知模型、循環(huán)神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明在達(dá)到ε-差分隱私的情況下，通信代價下降到傳送原始參數(shù)通信代價的10%。差分隱私還可結(jié)合安全多方計算技術(shù)減少噪聲添加量。經(jīng)典差分隱私方法需添加方差為C2σ2的高斯噪聲以實(shí)現(xiàn)隱私保護(hù)。假設(shè)聯(lián)邦學(xué)習(xí)架構(gòu)中可信成員數(shù)為t，Truex 等［65］采用SMC 技術(shù)將添加的噪聲量從N(0，C2σ2)減少到

上述基于DP 的安全聚集對隱私預(yù)算ε要求頗高，每一輪迭代所使用的隱私預(yù)算滿足順序合成定理（Sequential composition），所有迭代輪次所用隱私預(yù)算為ε，在迭代輪數(shù)不能確定的聯(lián)邦學(xué)習(xí)過程中，事先為每一輪迭代分配多少隱私預(yù)算難以估計。基于混洗模型的安全聚集可在一定程度上避免上述問題。混洗模型是用來實(shí)現(xiàn)本地化差分隱私的一種模型，是ESA（Encode-Shuffle-Analyze）模型［57］的核心思想。Shuffle 是一個介于客戶端和服務(wù)器之間的可信部件。Ghazi 等［66］使用混洗模型架構(gòu)實(shí)現(xiàn)了聯(lián)邦學(xué)習(xí)中的安全的多方聚合，確保通過添加隨機(jī)噪聲項(xiàng)傳遞給聚合服務(wù)器的單個數(shù)字完全隨機(jī)，而總和是一個固定值，通常情況下可為零。零和噪聲的加入不需用戶之間的協(xié)調(diào)。每個本地混淆器（local randomizer）的輸出接近于完全隨機(jī)，對于所有可能輸入與真實(shí)輸入相同的和，可計算出與該輸入一致的多種分解形式，從而無法逆推本地混淆器的輸出。Shuffle 模型可以“放大”隱私保護(hù)度，即使用較小的本地隱私預(yù)算，實(shí)現(xiàn)全局?jǐn)?shù)據(jù)模型上更大的隱私保護(hù)度［67］。

2）模型發(fā)布階段的隱私保護(hù)。

模型發(fā)布階段的隱私保護(hù)包括模型參數(shù)隱私保護(hù)與預(yù)測結(jié)果隱私保護(hù)。Hamm 等［68］利用差分隱私技術(shù)對聯(lián)邦學(xué)習(xí)全局模型參數(shù)進(jìn)行擾動。針對分類模型，采用多數(shù)投票的方式確定全局模型的分類結(jié)果，在輸出全局模型參數(shù)上添加符 合ρ(η) ∝e-α||η||分布的噪聲數(shù)據(jù)，其中α=λε2。Jayaraman 等［69］在聯(lián)邦學(xué)習(xí)下對模型訓(xùn)練階段的擾動和模型發(fā)布階段的擾動進(jìn)行了對比。提出參與方在安全計算中聚合本地模型，在發(fā)布模型之前添加拉普拉斯噪聲的隱私保護(hù)方法，并證明了該方法的隱私放大效果。實(shí)驗(yàn)證明該方法能夠?qū)崿F(xiàn)與未采用隱私保護(hù)的模型十分相近的模型可用性。

Triastcyn 等［70］提出利用貝葉斯差分隱私實(shí)現(xiàn)模型訓(xùn)練及模型發(fā)布時的隱私保護(hù)。貝葉斯差分隱私與傳統(tǒng)差分隱私的不同之處在于，兩個相鄰數(shù)據(jù)集相差一條符合p(x)分布的隨機(jī)變量記錄，而不是一條確定的數(shù)據(jù)記錄。添加符合高斯分布的噪聲達(dá)到貝葉斯差分隱私，但需要計算每輪迭代的隱私代價，累加各輪隱私代價后計算參數(shù)ε和δ的界限值。在參與方數(shù)據(jù)分布較相近的情況下，BDP 與傳統(tǒng)差分隱私相比，具有顯著的優(yōu)勢。

3.1.3 總結(jié)與分析

基于差分隱私的隱私保護(hù)技術(shù)通過添加隨機(jī)噪聲或采用隨機(jī)應(yīng)答機(jī)制就可實(shí)現(xiàn)隱私保護(hù)，不會帶來額外的計算開銷。研究的關(guān)鍵問題主要在于：1）依據(jù)添加噪聲后的數(shù)據(jù)需進(jìn)行何種聚集運(yùn)算，計算運(yùn)算函數(shù)敏感度，量化噪聲添加量；2）在確保隱私度的前提下設(shè)法減少噪聲數(shù)據(jù)的添加量，如結(jié)合SMC 技術(shù)、使用特殊的數(shù)據(jù)結(jié)構(gòu)或引入混洗機(jī)制。

基于差分隱私的方法雖然有效，但噪聲數(shù)據(jù)的引入會給模型可用性帶來影響，如增加模型收斂的迭代次數(shù)、影響運(yùn)行時間和通信代價、降低模型預(yù)測的精確度等。此外，由于隱私預(yù)算的限制，差分隱私處理高維數(shù)據(jù)后的可用性有待于進(jìn)一步提高；基于混洗模型的方法需要可信第三方，若參與方中存在惡意用戶，混洗模型就無法達(dá)到其宣稱的隱私保護(hù)度。

3.2 基于加密的隱私保護(hù)技術(shù)

用于聯(lián)邦學(xué)習(xí)中的加密技術(shù)主要是同態(tài)加密技術(shù)。

3.2.1 基本概念

同態(tài)加密是一種允許用戶直接在密文上進(jìn)行運(yùn)算的加密形式，得到的結(jié)果仍是密文，解密結(jié)果與對明文運(yùn)算的結(jié)果一致。即：給定明文數(shù)據(jù)x1和x2，使用同態(tài)加密之后的密文分別表示為［x1］和［x2］，則其同態(tài)性可表示為：

1）加法：[x1]⊕[x2]=[x1⊕x2]；

2）乘法：[x1]?[x2]=[x1?x2]。

根據(jù)同態(tài)加密支持的運(yùn)算種類和次數(shù)，又可分為全同態(tài)加密（Fully Homomorphic Encryption，F(xiàn)HE）［71］、部分同態(tài)加密（Partially Homomorphic Encryption，PHE）及類同態(tài)加密（Somewhat Homomorphic Encryption，SHE）［72］。FHE 支持密文上任意計算的同態(tài)性，且不限制計算次數(shù)，雖然足夠安全可靠但計算開銷太大；PHE 僅支持加法或乘法運(yùn)算的同態(tài)性；SHE 介于上述兩者之間，是一種支持有限次加法和乘法運(yùn)算的加密方法。AHE（Additive Homomorphic Encryption）則僅支持加法運(yùn)算的同態(tài)性。由于同態(tài)加密的良好性質(zhì)，可委托第三方對數(shù)據(jù)進(jìn)行處理而不泄露信息。常用的同態(tài)加密算法有Paillier 加密［73］、RSA 加密［74］等。

3.2.2 實(shí)現(xiàn)原理

利用同態(tài)加密對本地模型參數(shù)、數(shù)據(jù)加密，服務(wù)器無法獲知參與方的模型參數(shù)，也無法獲知參與方的原始數(shù)據(jù)或預(yù)測結(jié)果，保護(hù)了訓(xùn)練階段及預(yù)測階段的數(shù)據(jù)隱私。圖4 展示模型訓(xùn)練階段基于同態(tài)加密的參數(shù)安全聚合過程。下面分別介紹同態(tài)加密用于模型訓(xùn)練階段及模型預(yù)測階段技術(shù)。

圖4 基于同態(tài)加密的參數(shù)安全聚合Fig.4 Secure parameter aggregation based on homomorphic encryption

1）模型訓(xùn)練階段的隱私保護(hù)。

模型訓(xùn)練階段的隱私保護(hù)任務(wù)主要是保證訓(xùn)練過程中的中間參數(shù)不泄露。Phong 等［75］基于加法同態(tài)加密方法AHE 實(shí)現(xiàn)了一個保護(hù)隱私的深度學(xué)習(xí)算法PPDL（Privacy-Preserving Deep Learning）。算法分別部署在參與方和聚合服務(wù)器上。每個參與方從服務(wù)器下載全局加密參數(shù)，并用私鑰sk解密后得到權(quán)重參數(shù)，進(jìn)而可得權(quán)重向量wglobal。在本地數(shù)據(jù)上訓(xùn)練模型，利用AHE 加密方法將參數(shù)加密為E(-α?G(i))后傳送給聚合服務(wù)器，服務(wù)器收到參與方發(fā)來的參數(shù)后無需解密，計算+E(-α?G(i))更新參數(shù)值。該方法通過理論分析與實(shí)驗(yàn)，驗(yàn)證了該方法犧牲了效率但不損失模型的精確度。Zhang 等［33］以同態(tài)加密和中國余數(shù)定理（Chinese Reminder Theorem，CRT）為基礎(chǔ)，研究了聯(lián)邦學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的隱私保護(hù)問題與可驗(yàn)證問題。在數(shù)據(jù)處理過程中，參與方Pi將神經(jīng)網(wǎng)絡(luò)每一層的梯度值wi分成r份，聯(lián)合各個分值做線性同余運(yùn)算，利用CRT 原理可得到唯一的解，表示為，隨后利用Pi的私鑰對其加密，得到[]pk，Pi利用同態(tài)哈希函數(shù)h 和雙線性聚合簽名x計算簽名值σi=(h())x，并將加密值和簽名同時發(fā)送給服務(wù)器。服務(wù)器收到加密梯度值和簽名后，直接在密文上聚合各個參與方上傳的參數(shù)，得出聚合結(jié)果。驗(yàn)證階段，參與方需要檢驗(yàn)服務(wù)器是否誠實(shí)地聚合了上傳的參數(shù)，先將參數(shù)解密獲得，如果公式e(g1，σ)=e(，h())成立則可驗(yàn)證服務(wù)器誠實(shí)，其中，e 為雙線性映射，g1是一個隨機(jī)生成數(shù)。隨后，計算modmi得到每一層的梯度值。反復(fù)執(zhí)行上述參數(shù)“上傳-聚合-下載”過程，直到模型收斂為止。

2）預(yù)測階段的隱私保護(hù)。

預(yù)測階段的隱私保護(hù)最早出現(xiàn)在“機(jī)器學(xué)習(xí)即服務(wù)（Machine Learning as a Service，MLaaS）”場景中。數(shù)據(jù)持有方將數(shù)據(jù)上傳給MLaaS 服務(wù)器，服務(wù)器將預(yù)測結(jié)果返回給數(shù)據(jù)持有方。在該交互過程中，數(shù)據(jù)持有者的數(shù)據(jù)及預(yù)測結(jié)果都泄露給了MLaaS 服務(wù)器。由于同態(tài)加密算法僅對加法及乘法運(yùn)算有效，非線性運(yùn)算仍由數(shù)據(jù)持有方完成，將中間結(jié)果加密后發(fā)送給云服務(wù)器，云服務(wù)器將計算結(jié)果返回給數(shù)據(jù)持有方，直到訓(xùn)練完成［76］。顯然，這種方法把中間結(jié)果暴露給了服務(wù)器。Rahulamathavan 等［77］利用Paillier 加密技術(shù)將支持向量機(jī)（Support Vector Machine，SVM）模型的函數(shù)及分類樣本轉(zhuǎn)換為密文的形式，客戶端以加密格式將數(shù)據(jù)樣本發(fā)送到服務(wù)器。服務(wù)器利用同態(tài)加密屬性直接在加密數(shù)據(jù)上分類樣本。若部分運(yùn)算不能由同態(tài)性質(zhì)處理，則客戶和服務(wù)器之間基于安全兩方計算協(xié)議進(jìn)行有限次交互。Xie 等［78］提出一種保護(hù)隱私預(yù)測方法Crypto-nets，將加密后的數(shù)據(jù)傳送給神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，預(yù)測結(jié)果也同樣用加密的方式傳給用戶，可以保證在模型預(yù)測階段不泄露隱私。由于神經(jīng)網(wǎng)絡(luò)模型的函數(shù)不是多項(xiàng)式函數(shù)，故一個關(guān)鍵問題是如何在密文上利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。Xie 等［78］提出可以根據(jù)Stone-Weierstrass 定理構(gòu)造一個逼近神經(jīng)網(wǎng)絡(luò)函數(shù)的多項(xiàng)式函數(shù)，從而可使用同態(tài)加密進(jìn)行預(yù)測和輸出。

3.2.3 總結(jié)與分析

基于加密的隱私強(qiáng)化技術(shù)可以達(dá)到較高的隱私保護(hù)度，既可以保護(hù)訓(xùn)練階段中間參數(shù)的隱私不泄露，也可以保證預(yù)測階段的預(yù)測結(jié)果隱私不泄露。同時，不需多項(xiàng)式逼近的同態(tài)加密方法，不犧牲模型可用性，但是同態(tài)加密需要價高的計算花費(fèi)及通信代價，且其不支持機(jī)器學(xué)習(xí)中sigmoid 函數(shù)、softmax 函數(shù)等非線性運(yùn)算，需要利用多項(xiàng)式近似表示這些函數(shù)，因此在一定程度上造成模型精度的下降。基于同態(tài)加密的隱私保護(hù)技術(shù)計算代價較高，不適于參與方計算能力較差的場景；但在要求較高隱私保護(hù)度的場景下，同態(tài)加密依然不失為一個最佳選擇。

3.3 基于SMC的隱私保護(hù)技術(shù)

安全多方計算（SMC）［23］可使多個參與方以一種安全的方式正確執(zhí)行分布計算任務(wù)，任何一方不能獲取其他參與方的額外信息。

3.3.1 基本概念

安全多方計算的原理可描述為：有n個參與方P1，P2，…，Pn，每個參與方Pi持有1 個秘密輸入mi，在不泄露mi的情況下，n個參與方可協(xié)作計算出函數(shù)f（mi）的值。參與方Pi可能是誠實(shí)參與方、半誠實(shí)參與方或惡意參與方。

多方安全計算的協(xié)議眾多，在聯(lián)邦學(xué)習(xí)中常用的協(xié)議有安全兩方計算協(xié)議與秘密共享協(xié)議［79］。Yao［80］使用混淆電路（Garbled Circuits，GC）技術(shù)將計算函數(shù)表示為布爾電路，實(shí)現(xiàn)了安全兩方計算，保證在半誠實(shí)模型下的計算安全性。秘密共享協(xié)議（Secret Share，SS）包括（t，n）門限秘密共享協(xié)議［80］、Blakley 秘密共享協(xié)議［81］和中國余數(shù)定理。（t，n）門限秘密共享協(xié)議是指，用戶將某個秘密信息s分成n份，任意t(t≤n)份可以重構(gòu)s，而任何t-1 份均無法重構(gòu)s。

3.3.2 實(shí)現(xiàn)原理

基于SMC 的隱私保護(hù)技術(shù)能保護(hù)聯(lián)邦學(xué)習(xí)模型訓(xùn)練階段的隱私，但無法保護(hù)預(yù)測階段的隱私。Kanagavelu 等［82］提出了一種基于SMC 的兩階段聯(lián)邦學(xué)習(xí)架構(gòu)，重點(diǎn)保護(hù)參與方生成的本地參數(shù)wi，參與方將wi分解為n個無意義的值：前n-1 個值是隨機(jī)數(shù)，第n個值通過公式V(i，n)=(V(i)-Q計算得出。參與方之間互相秘密交換份額，每個參與方持有參數(shù)向量的一部分。參與者對秘密份額進(jìn)行局部聚合，再做全局聚合得到w*。兩輪秘密份額的交換和相加之后，可以消除份額拆分的隨機(jī)性，即，該方法的參數(shù)聚合機(jī)制如圖5［82］所示。為了解決互相交互秘密份額導(dǎo)致通信代價過高的問題，采用兩階段聯(lián)邦學(xué)習(xí)架構(gòu)，通過投票方式產(chǎn)生參與方委員會，委員會成員之間進(jìn)行秘密份額的交換與聚合，產(chǎn)生聚合后的參數(shù)。

圖5 基于SMC的參數(shù)安全聚合Fig.5 Secure parameter aggregation on SMC

Bonawitz 等［83］使用一次性掩碼對本地模型參數(shù)加密。將n個參與方做全序排列，任意一對參與方（u，v）用某個隨機(jī)向量su，v作為加密參數(shù)，參與方u 的參數(shù)wu與該向量求和，參與方v 的參數(shù)wv就與該向量求差，保證服務(wù)器收到的每一對參與方的參數(shù)總和不變。但這種方法通信代價太大且容錯度較低。為了降低通信代價，Wu 等［84］提出了一種名為Pivot 的方法。該方法使用TPHE（Threshold Partially Homomorphic Encryption）和SMC 的混合框架訓(xùn)練垂直分割數(shù)據(jù)的樹模型。每個客戶端在TPHE 的幫助下執(zhí)行盡可能多的本地計算以降低通信代價。與之前的結(jié)構(gòu)不同，Pivot方法需要一個超級參與方協(xié)調(diào)訓(xùn)練過程。在初始化階段，參與方確定協(xié)作訓(xùn)練某種樹模型，并對齊關(guān)聯(lián)樣本、確定參數(shù)，如密鑰、修剪閾值等。參與方共同生成門限同態(tài)加密密鑰，接收公鑰pk和私鑰ski。在模型訓(xùn)練階段，超級參與方廣播加密參數(shù)協(xié)助其他參與方計算加密統(tǒng)計信息。然后，參與方聯(lián)合將上述加密統(tǒng)計信息轉(zhuǎn)換為SMC 兼容的輸入信息，也就是若干份秘密分享的值。計算當(dāng)前樹節(jié)點(diǎn)的最佳分裂方式，并以加密形式表示。整個過程中不會向參與方披露中間信息。獲取樹模型后，整個樹以明文形式發(fā)布。內(nèi)部節(jié)點(diǎn)的分割閾值和葉節(jié)點(diǎn)上的預(yù)測標(biāo)簽以秘密共享的形式出現(xiàn)，參與方不可見，保證不會泄露除預(yù)測標(biāo)簽外的任何信息。

3.3.3 總結(jié)與分析

基于安全多方計算的聯(lián)邦學(xué)習(xí)隱私保護(hù)的方法能保證較高的隱私保護(hù)度，不需要可信聚合服務(wù)器即可完成學(xué)習(xí)任務(wù)，但安全多方計算并非解決聯(lián)邦學(xué)習(xí)中隱私問題的唯一方法，這是由于：1）基于SMC 的隱私保護(hù)方法的計算代價大、通信輪數(shù)多。參與方之間的信息交互造成的通信代價可能成為整個訓(xùn)練過程的瓶頸，基于SMC 的隱私保護(hù)技術(shù)的研究目標(biāo)在于降低系統(tǒng)通信代價。2）服務(wù)器無法評估通過秘密共享產(chǎn)生的聚合參數(shù)是否可用。Bonawitz 等［83］指出有惡意參與方存在的情況下，此類方法無法保證聯(lián)邦學(xué)習(xí)模型的可用性。3）基于SMC 的方法僅能對訓(xùn)練過程中的參數(shù)進(jìn)行隱私保護(hù)，無法對預(yù)測結(jié)果進(jìn)行隱私保護(hù)。

3.4 其他方法

近年來，區(qū)塊鏈技術(shù)的出現(xiàn)也為隱私保護(hù)技術(shù)提供了新的研究思路。區(qū)塊鏈?zhǔn)且粋€分布式的共享賬本和數(shù)據(jù)庫，具有去中心化、不可篡改、全程留痕等優(yōu)點(diǎn)。聯(lián)邦學(xué)習(xí)中參與方眾多，分布式記賬方式不僅能保證本地模型參數(shù)不泄露，還能保證參數(shù)聚合過程是可審計的，亦可通過調(diào)整激勵策略，保證參與方對模型的貢獻(xiàn)/收益比是公平的。

基于區(qū)塊鏈的隱私保護(hù)以分布式事務(wù)分類賬方法為基礎(chǔ)，記錄學(xué)習(xí)任務(wù)的參數(shù)、參與客戶端本地及全局模型的參數(shù)更新，單獨(dú)設(shè)置一個聚合器用來聚合參與方更新的參數(shù)。更新后參數(shù)包裝在本地更新事務(wù)中，在礦工的協(xié)助下記入總賬。Awan 等［85］提出了一個基于區(qū)塊鏈的隱私保護(hù)聯(lián)邦學(xué)習(xí)框架，利用區(qū)塊鏈的不變性和分散信任屬性來保證模型更新的安全。Weng 等［86］提出使用秘密共享協(xié)議和區(qū)塊鏈技術(shù)實(shí)現(xiàn)訓(xùn)練過程中的參數(shù)隱私保護(hù)。參與方對本地計算的梯度值分別加密并上傳，通過秘密分享協(xié)議獲得更新的參數(shù)。協(xié)同解密需要至少t個參與者提供其秘密分享片段。在梯度值收集過程中，參與者的事務(wù)包含加密的梯度值及正確性驗(yàn)證值，允許第三方審核參與方是否上傳了正確加密的梯度值。另一方面，礦工通過記錄在DeepChain 中的事務(wù)來計算全局參數(shù)更新結(jié)果。參與方下載全局參數(shù)并協(xié)同驗(yàn)證。任何第三方都可以審計全局參數(shù)值是否正確。此外，DeepChain 提供了一種基于區(qū)塊鏈的價值驅(qū)動激勵機(jī)制，迫使參與方正確上傳本地參數(shù)。

基于區(qū)塊鏈的隱私保護(hù)技術(shù)具備可審計、無需可信節(jié)點(diǎn)、安全性高等優(yōu)點(diǎn)。但區(qū)塊鏈技術(shù)本身的局限性也限制了其在隱私保護(hù)應(yīng)用領(lǐng)域的應(yīng)用，如：吞吐量有限、可擴(kuò)展性差等。因此，在大規(guī)模數(shù)據(jù)的應(yīng)用場景下，基于區(qū)塊鏈的隱私保護(hù)方法的有效性一般。

4 隱私保護(hù)性能衡量標(biāo)準(zhǔn)

依據(jù)聯(lián)邦學(xué)習(xí)的過程，隱私保護(hù)程度可分為計算隱私保護(hù)（Computation Privacy）和輸出隱私保護(hù)（Output Privacy）［65］。計算隱私保護(hù)可確保在聚合參與方參數(shù)時不會泄露單個參與方的結(jié)果；輸出隱私保護(hù)，指敵手在反復(fù)查詢模型時，防止敵手推斷出訓(xùn)練集中的某條記錄或部分?jǐn)?shù)據(jù)的信息。依據(jù)聯(lián)邦學(xué)習(xí)的架構(gòu)，隱私保護(hù)度可分為用戶數(shù)據(jù)隱私保護(hù)（Instance Level Privacy）、參與方隱私保護(hù)（Client Level Privacy）及聯(lián)合隱私保護(hù)［70］。用戶數(shù)據(jù)隱私保護(hù)目的是隱藏單個用戶的數(shù)據(jù)，更具體地說，要限制學(xué)習(xí)結(jié)果分布上的任何單個用戶暴露，模型參數(shù)的分布不能暴露單條用戶數(shù)據(jù)。參與方隱私保護(hù)指參與方上傳給服務(wù)器的中間參數(shù)不會泄露。參與方隱私保護(hù)可為用戶數(shù)據(jù)提供額外的保護(hù)層，以防不可信服務(wù)器獲取參與方的數(shù)據(jù)更新。聯(lián)合隱私保護(hù)指同時達(dá)到用戶數(shù)據(jù)隱私保護(hù)和參與方隱私保護(hù)。

依據(jù)聯(lián)邦學(xué)習(xí)中的隱私保護(hù)方法，評價標(biāo)準(zhǔn)包括隱私保護(hù)度、模型可用性、收斂迭代次數(shù)和通信代價。其中，隱私保護(hù)度的衡量標(biāo)準(zhǔn)主要有隱私泄漏率（privacy leakage）及達(dá)到的隱私模型，如（ε，δ）-差分隱私、k-匿名等。模型可用性衡量標(biāo)準(zhǔn)包括模型精度、召回率及F1 分?jǐn)?shù)（F1-Score）。收斂迭代次數(shù)指模型收斂時的迭代次數(shù)上限。通信代價的主要衡量標(biāo)準(zhǔn)包括傳輸數(shù)據(jù)量、算法運(yùn)行時間等。

基于差分隱私的隱私保護(hù)技術(shù)采用達(dá)到的隱私模型來衡量隱私保護(hù)度，訓(xùn)練階段對模型參數(shù)的隱私保護(hù)度可以達(dá)到（ε，δ）-差分隱私。文獻(xiàn)［60］和［63］中分別計算了達(dá)到（ε，δ）-差分隱私時，添加的高斯噪聲參數(shù)σ的取值：文獻(xiàn)［60］計算得出，噪聲參數(shù)σ的取值是聚集次數(shù)T、參與方個數(shù)N與隱私預(yù)算ε的某個函數(shù)；文獻(xiàn)［63］得到類似的結(jié)論。文獻(xiàn)［51］中用泄露隱私概率衡量隱私保護(hù)度，即使服務(wù)器能完全從sketch 中恢復(fù)參數(shù)值，參數(shù)隱私泄露的概率不超過1/n，n是模型參數(shù)的維度。在模型精確度方面，差分隱私在訓(xùn)練過程中引入噪聲數(shù)據(jù)，影響模型精確度或訓(xùn)練的迭代次數(shù)。文獻(xiàn)［63］中采用模型收斂迭代次數(shù)來衡量噪聲數(shù)據(jù)對模型訓(xùn)練的影響，定義了一次更新質(zhì)量的概念，用以衡量每次迭代的下降率，最后計算出模型收斂的迭代次數(shù)上限。

基于同態(tài)加密的隱私保護(hù)技術(shù)能達(dá)到“不泄露任何信息”的隱私保護(hù)度，線性模型的模型精度不受同態(tài)加密的影響；但涉及機(jī)器學(xué)習(xí)中sigmoid/softmax 函數(shù)等非線性運(yùn)算時，需要利用多項(xiàng)式近似表示這些函數(shù)，會造成模型精度的下降?；谕瑧B(tài)加密的隱私保護(hù)技術(shù)計算量和通信代價較高。文獻(xiàn)［32，75］計算出使用Paillier 加密方法，每輪更新的通信代價是異步SGD 方法的2.93 倍；使用基于LWE（Learning With Errors，LWE）加密方式，每輪通信代價是異步SGD 方法的2.4 倍。

基于多方安全計算的隱私保護(hù)技術(shù)在隱私保護(hù)度上可達(dá)到與同態(tài)加密相同的效果，不泄露任何隱私，但其通信代價較大。為了降低通信代價，HybridAlpha 方法［87］引入了函數(shù)加密（Functional Encryption，F(xiàn)E）方法和差分隱私技術(shù)降低傳輸?shù)臄?shù)據(jù)量?；赟MC 的基準(zhǔn)方法的通信量為2mn+n，HybridAlpha 方法將通信代價降低為mn+m+n（n為參與方數(shù)量，m為聚集服務(wù)器數(shù)量）。文獻(xiàn)［82］先采用P2P（Point to Point）的方式選舉少量FL 參與方作為模型聚合委員會成員，參與方和委員會成員交互參數(shù)后，再將所有參與方的參數(shù)發(fā)給服務(wù)器，降低了通信代價。單純采用SMC 技術(shù)不會影響模型精度，但有些研究工作將SMC 技術(shù)與差分隱私相結(jié)合，以求降低通信代價的同時減少噪聲量，這種方式則會對模型精度產(chǎn)生影響。

5 總結(jié)與展望

聯(lián)邦學(xué)習(xí)為構(gòu)建跨企業(yè)、跨數(shù)據(jù)、跨領(lǐng)域的大數(shù)據(jù)和人工智能生態(tài)圈提供了良好的技術(shù)支持。為了進(jìn)一步強(qiáng)化聯(lián)邦學(xué)習(xí)的隱私保護(hù)特質(zhì)，研究者們提出了基于加密、差分隱私、安全多方計算、區(qū)塊鏈的隱私保護(hù)技術(shù)。本文列舉了各類技術(shù)中的代表性研究工作，如表3 所示。上述四類隱私保護(hù)技術(shù)大多是在訓(xùn)練階段以保護(hù)“本地模型參數(shù)”為基本任務(wù)，防止參與方與服務(wù)器在參數(shù)交互時泄露數(shù)據(jù)隱私。多數(shù)算法都在公開的數(shù)據(jù)集（如MINST、SVHN 等）上進(jìn)行了實(shí)驗(yàn)，評估了模型收斂率、可驗(yàn)證性及通信代價等衡量標(biāo)準(zhǔn)。

表3 聯(lián)邦學(xué)習(xí)中的隱私保護(hù)方法的比較Tab.3 Comparison of privacy-preserving methods in federated learning

隨著聯(lián)邦學(xué)習(xí)研究的深入與應(yīng)用領(lǐng)域的拓展，在研究和應(yīng)用領(lǐng)域仍有一些挑戰(zhàn)性問題亟待解決。

1）隱私保護(hù)技術(shù)對聯(lián)邦學(xué)習(xí)模型可用性影響的量化研究。在聯(lián)邦學(xué)習(xí)中，模型的收斂性還沒有理論上的證明，僅有一些研究提供了近似收斂的證明。Li 等［94］研究了FedAvg在非獨(dú)立同分布數(shù)據(jù)上的收斂性，結(jié)果表明，收斂速度與局部迭代的總次數(shù)成反比。如果采用差分隱私方法提高聯(lián)邦學(xué)習(xí)的隱私保護(hù)度，在局部模型的中間參數(shù)中加入噪聲數(shù)據(jù)，亦不能保證模型的收斂性。即使模型最終收斂，添加噪聲數(shù)據(jù)后的模型性能表現(xiàn)不容樂觀。有研究表明，在深度學(xué)習(xí)網(wǎng)絡(luò)中加入人工噪聲后，模型可以收斂，但在MNIST 數(shù)據(jù)集上訓(xùn)練分類模型并進(jìn)行預(yù)測時，精度下降了40%左右［95］。因此，模型的收斂性和預(yù)測精度方面還有以下問題需要研究：第一，研究在理論上證明保護(hù)隱私的聯(lián)邦學(xué)習(xí)模型收斂率的方法；目前的大多數(shù)研究在隱私保護(hù)處理之后，給出了隱私保護(hù)度與模型可用性的實(shí)驗(yàn)驗(yàn)證，但未從理論上證明隱私保護(hù)處理后的聯(lián)邦學(xué)習(xí)模型的收斂問題；即使模型具備收斂性，收斂率和模型性能也需要量化的分析和研究。第二，聯(lián)邦學(xué)習(xí)模型的隱私保護(hù)度與模型收斂率之間的關(guān)系需要進(jìn)一步的研究；定量衡量聯(lián)邦學(xué)習(xí)模型在隱私保護(hù)處理之后的精確度、通信代價、經(jīng)驗(yàn)損失函數(shù)的變化等問題也需要深入研究。

2）聯(lián)邦學(xué)習(xí)架構(gòu)中隱私保護(hù)技術(shù)的研究。在經(jīng)典的隱私保護(hù)技術(shù)，如差分隱私技術(shù)、安全多方計算及加密技術(shù)中尋求新的思路?；诓罘蛛[私的保護(hù)技術(shù)計算量小，隱私保護(hù)度較高，但目前該研究領(lǐng)域仍有以下問題有待探索：第一，噪聲的添加會導(dǎo)致全局機(jī)器學(xué)習(xí)模型的收斂速度變慢，模型性能和隱私度是矛盾的［60］。高隱私保護(hù)度會造成較低的模型可用性和較慢的模型收斂速度，隱私保護(hù)度、模型可用性、模型收斂速度之間均衡的定量關(guān)系值得研究。第二，對一定的隱私保護(hù)級別，增加參與方數(shù)量可能會提高模型收斂速度，但缺乏理論上的證明；對一定的隱私保護(hù)級別，存在最佳的聚合時間及通信輪數(shù)，也需要定量的研究。第三，當(dāng)參與方數(shù)據(jù)非獨(dú)立同分布時，某一參與方對參數(shù)更新貢獻(xiàn)較大時，需限制其對全局參數(shù)更新的貢獻(xiàn)大小，防止其結(jié)果影響整個更新。

3）聯(lián)邦生成模型中的隱私保護(hù)技術(shù)研究。生成模型中也存在隱私泄露的問題，主要原因是生成模型數(shù)據(jù)集中分布在訓(xùn)練數(shù)據(jù)點(diǎn)上，且訓(xùn)練樣本很容易被記錄下來。當(dāng)生成模型應(yīng)用到私人數(shù)據(jù)（如用戶面部識別的圖像）或敏感數(shù)據(jù)（如患者醫(yī)療記錄）上時，會泄露個人敏感信息。目前，已有一些研究針對生成模型進(jìn)行隱私保護(hù)，Xie 等［89］提出了一種滿足差分隱私的 GAN 模型 DPGAN（Differentially Private Generative Adversarial Network），直接發(fā)布Wasserstein 距離相對于訓(xùn)練數(shù)據(jù)的梯度值會暴露訓(xùn)練集的數(shù)據(jù)特征，在此梯度值上添加噪聲數(shù)據(jù)保護(hù)隱私。Acs 等［90］提出了一種滿足差分隱私的基于k個神經(jīng)網(wǎng)絡(luò)的生成模型DPGM（Differentially Private Generative Model），利用隨機(jī)傅里葉特征將高維數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)，利用一種滿足差分隱私的Lloyd’s 算法，將低維數(shù)據(jù)聚類。在低維數(shù)據(jù)生成的簇上訓(xùn)練生成模型，在訓(xùn)練過程中使用滿足差分隱私的隨機(jī)梯度下降方法，噪聲值添加到梯度更新中?？梢?，已有研究工作主要是在訓(xùn)練的梯度值上添加符合高斯分布的噪聲實(shí)現(xiàn)的，然而，生成模型往往是多層神經(jīng)網(wǎng)絡(luò)構(gòu)成的，結(jié)構(gòu)非常復(fù)雜，噪聲的添加會影響生成模型的精確度。另外，為了生成更復(fù)雜的數(shù)據(jù)，例如個人照片或各種序列數(shù)據(jù)，還需要對具有多個隱藏層的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行有效的隱私保護(hù)訓(xùn)練，有很多內(nèi)容值得深入研究。

4）聯(lián)邦學(xué)習(xí)中的參與方隱私異質(zhì)性與模型可用性研究。聯(lián)邦學(xué)習(xí)的一個重要優(yōu)勢在于可在參與方的數(shù)據(jù)格式各異、計算能力各異的情況下，協(xié)同多個參與方聯(lián)合訓(xùn)練機(jī)器學(xué)習(xí)模型。目前的隱私保護(hù)技術(shù)可以保證結(jié)構(gòu)各異的參與方達(dá)到相同的數(shù)據(jù)隱私保護(hù)度，最終獲取相同的模型參數(shù)［63］。然而，各個參與方對隱私保護(hù)度與模型可用性的需求可能各不相同，有些參與方希望犧牲一些數(shù)據(jù)隱私換取更好的模型性能，而有些參與方剛好相反。目前鮮有研究考慮聯(lián)邦學(xué)習(xí)系統(tǒng)中的“隱私異質(zhì)性”，在差分隱私背景下，可以給參與方分配不同的隱私預(yù)算，初步解決隱私異質(zhì)性問題。然而，筆者認(rèn)為，該問題的關(guān)鍵在于模型參數(shù)的聚合策略，可設(shè)計智能的模型參數(shù)聚合策略區(qū)分參與方對隱私保護(hù)度和模型性能的個性化需求。

5）隱私保護(hù)度、通信代價、模型精確度之間的權(quán)衡，建立統(tǒng)一的隱私保護(hù)度與模型可用性衡量標(biāo)準(zhǔn)。已有的研究方法在隱私保護(hù)度、通信代價、模型精確度上難以兼得，或者犧牲隱私保護(hù)度換取模型精度，或犧牲通信代價換取隱私保護(hù)度。從研究者角度來看，需要定義一個統(tǒng)一的衡量指標(biāo)體系，綜合考慮隱私保護(hù)度、模型精度、通信代價及計算開銷。統(tǒng)一的隱私保護(hù)度與模型可用性衡量標(biāo)準(zhǔn)可為各種研究方案的對比奠定基礎(chǔ)。

6）針對cross-device 場景下離線客戶端對隱私保護(hù)度的影響，研究隱私保護(hù)技術(shù)對系統(tǒng)穩(wěn)定的魯棒性。上述隱私保護(hù)算法假設(shè)所有參與方在每一輪參數(shù)交互過程中都可以連接到服務(wù)器，不存在無法連接的情況。當(dāng)參與方數(shù)量較多時，如cross-device 場景下，一些客戶端會由于網(wǎng)絡(luò)連接中斷或其他原因暫時無法連接到服務(wù)器。若采用差分隱私添加噪聲的形式實(shí)現(xiàn)參數(shù)的隱私保護(hù)，則客戶端的退出會導(dǎo)致添加的噪聲太少，無法達(dá)到要求差分隱私的隱私保護(hù)度。一種保守的方法是增加每個客戶端的噪聲量，即便存在一定比例的離線客戶端，剩余客戶端在進(jìn)行安全參數(shù)聚合時仍能達(dá)到差分隱私的隱私保護(hù)度。但是當(dāng)客戶端沒有掉線時，易產(chǎn)生大量的額外噪聲，導(dǎo)致模型精度下降。挑戰(zhàn)性問題在于如何處理大規(guī)模客戶端參與的聯(lián)邦訓(xùn)練模型，且能保證隱私保護(hù)技術(shù)在系統(tǒng)不穩(wěn)定時的系統(tǒng)魯棒性。

7）面向應(yīng)用領(lǐng)域的聯(lián)邦學(xué)習(xí)隱私保護(hù)新技術(shù)研究。由于數(shù)據(jù)隱私策略與數(shù)據(jù)孤島問題的產(chǎn)生，聯(lián)邦學(xué)習(xí)在未來的發(fā)展中，應(yīng)用領(lǐng)域?qū)⒃絹碓綇V泛，諸如醫(yī)療大數(shù)據(jù)、財經(jīng)大數(shù)據(jù)、個人移動設(shè)備大數(shù)據(jù)等涉及敏感數(shù)據(jù)的領(lǐng)域都可能使用聯(lián)邦學(xué)習(xí)聯(lián)合訓(xùn)練模型。聯(lián)邦學(xué)習(xí)架構(gòu)不同，其隱私保護(hù)技術(shù)所采用的方法也可能不盡相同。在cross-device 的應(yīng)用場景中，更注重個性化隱私保護(hù)，需研究異質(zhì)性隱私；在crosssilo 場景下，可信服務(wù)器可能難以完全可信，如何設(shè)計無可信服務(wù)器的隱私保護(hù)技術(shù)、研究在去中心化聯(lián)邦學(xué)習(xí)架構(gòu)中的隱私保護(hù)方案是挑戰(zhàn)性問題。此外，基于應(yīng)用領(lǐng)域的不同需求，一些安全領(lǐng)域的技術(shù)如機(jī)密計算等、可信執(zhí)行環(huán)境等與隱私保護(hù)技術(shù)的結(jié)合也是一個值得研究的問題。

6 結(jié)語

作為人工智能的重要分支，機(jī)器學(xué)習(xí)和聯(lián)邦學(xué)習(xí)技術(shù)已經(jīng)成為處理大數(shù)據(jù)不可或缺的技術(shù)手段。而人工智能領(lǐng)域中的倫理問題向來受到全社會的關(guān)注。數(shù)據(jù)隱私保護(hù)是人工智能面臨的重要倫理問題之一，已經(jīng)成為《人工智能道德準(zhǔn)則》［96］的組成部分。數(shù)據(jù)隱私保護(hù)技術(shù)的解決方案通常包括加密、泛化、擾動等途徑，為了適應(yīng)聯(lián)邦學(xué)習(xí)或機(jī)器學(xué)習(xí)模型中強(qiáng)大的攻擊能力，數(shù)據(jù)隱私保護(hù)技術(shù)可能需要更強(qiáng)的隱私保護(hù)模型或者結(jié)合幾種隱私保護(hù)技術(shù)，設(shè)計出輕量級的隱私保護(hù)算法，在技術(shù)上探討機(jī)器學(xué)習(xí)/聯(lián)邦學(xué)習(xí)架構(gòu)中的隱私保護(hù)技術(shù)，使得機(jī)器學(xué)習(xí)/聯(lián)邦學(xué)習(xí)模型的機(jī)密性、完整性、可用性三個標(biāo)準(zhǔn)完美均衡；另一方面，需要制定適當(dāng)?shù)姆煞ㄒ?guī)與政策引導(dǎo)，技術(shù)和法規(guī)的有機(jī)結(jié)合可作為解決機(jī)器學(xué)習(xí)隱私與倫理問題的新探索。除了數(shù)據(jù)隱私與安全，人工智能中的倫理問題還包括數(shù)據(jù)透明、算法的多樣性、非歧視性和公平性等其他重要部分，同樣需要技術(shù)上的深入研究。