INTRODUTION

left：在云中心的機器智能中，用戶設備與云中心模型進行交互，生成日志來訓練模型。用戶日志組合到一起后來提高模型，用于之后的服務器用戶請求。
Middle：在聯邦學習中，模型被運送到用戶設備上，在本地進行評估和訓練。改進之后的模型傳給服務器，在服務器端產生一個新模型然后在應用在用戶設備上。
Right：安全聚合應用在聯邦學習上，模型更新的聚合在邏輯上由虛擬機執行，安全多方通信引發的廉潔第三方，所以云服務器端只會學習到聚合之后的模型更新。

技術方面

這有兩個缺點：

用戶必須交換隨機數s，可能會增大通信開銷

用戶在交換隨機數之后掉線了，所對應的隨機數便不能抵消，最終結果是無意義的。

而兩兩共享的隨機數可以通過D-H密鑰協商協議來實現，通過借助 pseudorandom generator (PRG)減少了通信開銷。協商的密鑰作為偽隨機數生成器PGR的種子。

偽隨機數生成算法的內部狀態可以被保存下來，然后用于控制子序列運行時生成的數字。在繼續之前，從較早的輸入恢復狀態減少了生成重復值和序列的可能性

秘密分享參考：https://mp.weixin.qq.com/s?src=11&timestamp=1584692812&ver=2227&signature=MIi7A-oeoXpiwCurnSn4wRuGoVPyFkDBqtHsa61uFapefxpZG*5HkoBP9qx5gVX24mnaiUUOYT13K7eH9qgxJzfKSLtGx7hHNhrue00326-zpYAD0r5xh6lSfm7olo4q&new=1

有了代碼會更好理解：

Double-Masking to Protect Security

首先，用戶在生成隨機數s的同時也生成一個隨機seed b，在秘密分享階段，用戶把b給分享給其他用戶。

在恢復階段，服務器必須對用戶做出明確的選擇，或者請求隨機數s或者b；一個用戶并不會將s和b都分享給同一個用戶，收集在線用戶至少t個s和t個b之后，服務器可以減去所有的b來顯示和。

這篇博客寫的挺好：https://blog.csdn.net/qq_37734256/article/details/104223580
PPT：http://jakubkonecny.com/files/2018-01_UW_Federated_Learning.pdf

總結

以上是生活随笔為你收集整理的【论文学习7】Practical Secure Aggregation for Privacy-Preserving Machine Learning的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。