Page 33 - 金融科技视界2022-8期

Technical Tracking
技术追踪

产品推广方便和市场教育简化， 点，在不少场景中可以结合使用以 引擎使用。
业内不少厂商和用户所指的联邦 扬长避短。 分布式计算作为补充。在部
学习范畴其实还覆盖了分割学习、 对于业内最为关注的面向联 分建模场合（模型无需管控、中
其他弱PPML甚至是MPC机器学 合计算的通用隐私计算产品，技术 间信息泄露可接受）可以采用联

习。为了便于对比分析各技术，本 路线建议如下： 邦学习、分割学习、弱PPML作为
文所指的联邦学习为典型的得到 MPC、TEE双引擎。从计算 补充，以提升性能；且联邦学习/
共识的架构。 类型丰富度出发，必然需要采用 分割学习采用MPC减少中间信息

MPC或TEE技术路线以支持各种 泄露。
5 计算。MPC、TEE两者在安全和 信息脱敏混淆作为辅助。其
总结 性能上各有权衡。理想的隐私计算 中，最有代表性的是将差分隐私用
产品应支持MPC、TEE双引擎， 于基于MPC/TEE的安全统计分
每种隐私计算路线各有优缺 让用户能根据具体场景灵活选择 析结果的保护，防止差分攻击。

结合（主要技术+辅助技术） 代表 优点

联邦学习采用MPC（包括同态加密）实现梯度的
利用密码学技术减少联邦学习的中间信息泄露，提升
分布式计算+密码学 安全汇聚，各方的梯度不暴露给server，只暴露
隐私性。
汇聚后的梯度。

联邦学习采用差分隐私保护梯度，只对server暴 利用差分隐私减少联邦学习的中间信息泄露，提升隐
分布式计算+信息混淆脱敏
露加噪后的梯度。 私性。

减少计算结果泄露隐私信息，减少从计算结果能推出
密码学+信息混淆脱敏 采用差分隐私技术保护MPC的计算结果。
的原始数据信息。

减少计算结果泄露隐私信息，减少从计算结果能推出
TEE+信息混淆脱敏 采用差分隐私技术保护TEE的计算结果。
的原始数据信息。

采用性能较高的低安全模型的MPC协议（如，不抗偏
离协议、共谋攻击）；通过TEE来使各参与方难以发
密码学+TEE MPC各参与方程序分别在各自TEE中执行。 动偏离协议、共谋攻击，增强安全性。
通过TEE来检测各参与方输入数据的合法性，防止恶
意输入攻击。

通过TEE防止各数据方的梯度及汇聚后梯度和模型
分布式计算+TEE 联邦学习中心化server的程序在TEE中执行。
暴露给server。

2022.8 金融科技视界 31