以武会友，两大主流联邦学习产品体验

如今，AI技术在几乎每个行业中都展现出了自己的优势，无人驾驶汽车，医疗保健，互联网金融等已经深入我们的生活。然而随着大数据和AI技术的逐渐成熟，各机构和组织对数据安全和用户隐私的妥协意识也日益增强，对数据隐私和安全的重视已成为全球性的重要问题。同时欧盟于2018年5月25日发布实施了《通用数据保护条例》 [GDPR]， 旨在保护用户的个人隐私和数据安全，中国和美国也正在制定类似的隐私和安全法案。受此影响，国内外多方安全计算产业化应用的步伐明显加快。在国外产品创新活跃的同时，国内多方安全计算的技术产品蓬勃发展，已经形成了一定的优势。

纵览国内外，不乏一些优秀的产品和系统，早在2016年谷歌公司就提出了联邦学习的概念，经过多轮的打磨推出了TensorFlow Federated；英伟达公司也在NVIDIA NGC-Ready 服务器上开发了用于分布式协作联邦学习训练的Clara FL；国内也有许多优秀的学者先驱，其中既有老牌的技术大厂，也有新晋的优秀团队，共同在这条赛道驰骋，为隐私计算、安全建模不断添砖加瓦。

据笔者了解，国内市场已有如下公司各自推出了相关的产品：

• FATE：微众银行AI团队推出的工业级联邦学习框架
• MORSE：蚂蚁区块链打造的数据安全共享基础设施
• PrivPy：华控清交研发的安全多方计算平台
• FMPC：富数科技推出的私有化部署联邦建模平台
• 蜂巢系统：平安科技自主研发的联邦智能系统
• 点石平台：百度研发的可信云端计算及联合建模平台

本文优先选择FATE、FMPC两款产品，从产品界面、性能、使用方法等方面与大家进行分享。其他平台分析及使用我们将在后续系列文章更新，感兴趣的同学可持续关注。

本次将从系统架构、数据管理，模型训练，模型预测，性能评估五个方面依次进行介绍：

一、FATE联邦学习框架 – v1.2

1、系统架构：

1）FATE技术架构如（图1）所示，部分模块简介如下：

• EggRoll：分布式计算和存储的抽象；
• Federated Network：跨域跨站点通信的抽象；
• FATE FederatedML：联邦学习算法模块，包含了目前联邦学习所有的算法功能；
• FATE-Flow | FATE-Board：完成一站式联邦建模的管理和调度以及整个过