如何使用一个有安全性问题的隐私计算技术？

易观数字化：术业有专攻，联邦学习的出现，目的在于解决零信任下异质数据计算的问题。从技术实现的角度看，联邦学习的本质是分布式机器学习，将传输的数据转换成梯度计算或损失函数的参数，保证了数据不流动，但是可以扩大模型训练所需的数据量和数据特征，实现隐私的保护。

联邦学习使用实践

联邦学习分为横向、纵向、迁移三种方式，目前横向联邦的应用居多，例如能够支持计算机视觉计算的微众银行的 FedVision。从实现原理上，易观分析总结了横向与纵向联邦的实现流程，如图所示：

联邦学习系统架构图

横向联邦核心目的是扩大样本量，目前在学术与商业化方面应用较多。典型应用场景为反洗钱。

纵向联邦核心目的是扩大同类数据的特征，以获取该类数据的全景，并在本地使用自构建的模型实现数据计算。理论上可以实现的场景为：信用风险管理、精准营销等。

迁移联邦的架构与纵向联邦类似，但是目前尚未有商用化案例。

挑战与风险

作为隐私计算中先进性技术代表，联邦学习的普及应用上存在多种挑战与风险。易观分析总结了以下五点核心挑战：

其他前沿技术如同态加密、数据匿名、敏感数据智能识别、用户实体行为分析等都在不同程度上有所应用，其中有部分技术方案可以商业化，例如半同态加密技术。同时，传统技术也能够在与其他技术的融合发展过程中，弥补或展现更好的性能，例如匿踪查询技术，可以引入可信第三方，在一定程度上解决匿踪查询中的数据匹配费用不能精确计量的问题。

在研究系列中，易观分析还将对技术全景、产业生态、应用案例、开源市场、应用风险、发展趋势等提供全面分析。

给 CTO 的提示

方法总比困难多。联邦学习存在的挑战与风险在当下不能得到根本性的解决，但是可以有多种手段规避和缓解潜在的困境。结合目前研究，易观分析为 CTO 提供以下建议参考：

开源广天下

联邦学习的多数玩家都以不同程度的开源项目为牵引，利用社区的合力，让技术的鲁棒性、适配性、完整性得到全面的提升。2017 年开始，陆续出现了 OpenMind、微众银行、谷歌、百度、字节跳动、矩阵元等开源项目，具体信息如下表所示，CTO 可做参考：

针对算法构建数据要素安全体系

构建数据要素体系，针对数据本身构建分类、分级规则，为数据可信流通提供了安全基础。同时，在联邦学习应用场景中，需要构建针对算法的数据要素安全体系，保证算法的明文计算和密文计算都有适配性规划与调整。

典型企业：华为与中国电子云等综合平台型企业，在自身全产业链基础上，能够建立从宏观体系到微观功能的全局方案。

融合强化与基础密码协议，控制风险

传输的安全依旧需要引入加密协议，以保证信息本身的安全性。这种处理方式不能从根本上实现绝对的安全，但是为联邦学习提供了一种实践的可能性。在引入强化加密协议时，需要注意模型训练过程中频繁出现加密和解密进程，这回导致网络传输量的增加；同时，需要注意引入的加密协议对训练结果准确性的影响。因此，CTO 需要考虑融合强化与基础的密码协议，平衡计算成本和准确性。

典型企业：星环科技——Sophen FL、腾讯云——Angel FL、百度 PaddleFL、微众银行 FATE 目前均支持同态加密和基础协议。

融合区块链技术，实现去中心化计算

去中心化是区块链的看家本领，融合该技术，取代可信第三方，是联邦学习实现无中心化的选择之一。但是在融合使用时，需要注意区块链本身存在的计算与认证的效率问题，以及智能合约存在的“智能化”的真实性问题。目前在学术界有探索性尝试，2021 年 Swam Learning 的诞生，能够将参数共享在 Swarm 网络中，实现本地数据独立建模。

选择用户体验友好型的平台

联邦学习的诟病之一是交互界面与数据输入的友好性问题，这也是 CTO 需要考虑的要素之一。数据的输入需要能够支持 Hive、MySQL 等数据库；界面需要能够实现组件化与模块化操作。

典型企业：富数科技封装了组件化的 IDE，实现流程及业务，给客户以透明化、上下低耦合、算法可扩展的体验。

声明须知：易观分析在本文中引用的第三方数据和其他信息均来源于公开渠道，易观分析不对此承担任何责任。任何情况下，本文仅作为参考，不作为任何依据。本文著作权归发布者所有，未经易观分析授权，严禁转载、引用或以任何方式使用易观分析发布的任何内容。经授权后的任何媒体、网站或者个人使用时应原文引用并注明来源，且分析观点以易观分析官方发布的内容为准，不得进行任何形式的删减、增添、拼接、演绎、歪曲等。因不当使用而引发的争议，易观分析不承担因此产生的任何责任，并保留向相关责任主体进行责任追究的权利。