张斯杰

摘要：联邦学习为解决数据的使用权与所有权分离问题提供了一种可能的解决方案，但其依赖一台中央服务器来编排训练过程，并接收全部客户端的贡献，对网络带宽要求高，并易造成单点故障或隐私泄露。该文通过引入RingAllreduce算法构建联邦学习框架，提出了一套去中心化联邦学习网络，同时引入了STC三元稀疏算法和同态加密，在多数据节点场景下实现了隐私数据保护与联邦学习模型更新，有效提升了通信性能与联邦学习系统的安全性。

关键词：同态加密;去中心化;联邦学习;分布式;RingAllreduce

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2021）34-0025-03

由于云计算和云服务的便利性和灵活性，越来越多的用户选择将他们的本地数据迁移到基于云的服务器，以此来节省本地数据管理费用和系统维护费用。由于数据存储在用户物理控制之外的云中，云服务器管理员和非法用户（如没有访问权限的黑客）可能会试图访问数据，试图获取其中的信息，这可能导致数据信息和用户隐私的泄露。因此，在数据所有权和使用权分离的情况下，研究满足当地法律且合规的数据共享与使用方案，在当前隐私与数据保护日益受到各个国家重视的背景下具有重要意义。联邦学习[1]在当前场景下提出了一种可能的解决方案。

同态加密[2]是在机器学习与外包计算中最广泛使用的数据保护技术，因为它支持代数运算，包括对密码文的加法和乘法。如果一种加密方法支持加法或乘法运算，则称为部分同态加密，如果它支持无限多的加法和乘法运算，则称为完全同态加密。……