基于MPC的隐私计算技术——隐私聚合

趣链科技

于 2021-01-10 23:22:16 发布

阅读量1.6k

点赞数 2

文章标签：多方安全计算数据安全隐私聚合

本文链接：https://blog.csdn.net/Hyperchain/article/details/112451230

版权

本文介绍了隐私聚合技术在多方安全计算中的应用，特别是在联邦学习中保护梯度安全的方法。通过混淆项和秘密分享技术，确保在梯度聚合过程中，即使有客户端离线也能保证数据隐私。文章详细解析了Google提出的协议流程，并讨论了协议的优化和扩展，包括适用于乘法和除法运算的协议设计。

摘要由CSDN通过智能技术生成

导读

隐私聚合技术是专用于解决MPC安全多方求和问题的一种特殊协议。能够解决该问题的协议有很多种，包括基于加法同态加密的协议，线性秘密分享的协议等等。本文中的隐私聚合是指基于Google在CCS2017上提出的用于解决联邦学习中梯度安全聚合问题的协议在联邦场景下的优化[1]。

初识

在联邦学习领域中，我们遇到的一个主要问题是，如何保证在分布式训练中梯度聚合时各客户端梯度的数据安全性。服务器若是直接拿到明文梯度进行聚合，虽然是对梯度进行操作，没有直接操作原数据并不会直接泄露隐私数据，但是对于攻击者来说，由于梯度本身就包含原数据的一些信息，通过梯度进行攻击，还是很容易攻击到客户端的隐私数据。

因此，保证各客户端在梯度聚合阶段自己梯度的安全就非常重要。

Google在CCS2017上提出了一种协议用来解决梯度聚合的安全问题，其核心思想是对于每一个客户端的梯度加上混淆项，由于混淆项是和其他客户端共同协商特殊构造的且只有自己知道，在聚合时，每个客户端传给服务器的梯度中的混淆项都可以消除掉，使得服务器可以在拿到真实的梯度聚合结果的前提下无法攻击到各客户端的真实梯度值。由于每一个客户端发来的都是混淆过的梯度，且梯度中的混淆项只有客户端自己知道，在其他客户端和服务器不合谋的前提下，可以保证各客户端梯度的隐私性。