張 昊

（東華大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，上海 201620）

0 引 言

聯(lián)邦學(xué)習(xí)（F-L）作為一種分布式部署的深度學(xué)習(xí)的框架，不僅讓多方共同完成一個訓(xùn)練目標(biāo)模型，而且摒棄傳統(tǒng)的深度學(xué)習(xí)中數(shù)據(jù)集都需要統(tǒng)一部署在服務(wù)端的特性。每個分布式的客戶端（分布式的節(jié)點）僅需各自在本地儲存自己私有的數(shù)據(jù)集，并且無需上傳私有數(shù)據(jù)集給服務(wù)器。因此理論上聯(lián)邦學(xué)習(xí)相比傳統(tǒng)的集中式訓(xùn)練的方法更有效地保證客戶端的隱私。但是現(xiàn)在仍有可能泄露客戶端私有隱私。攻擊者可以通過觀察客戶端的上傳的信息，并且通過某些手段，例如成員推理攻擊推斷出客戶端的隱私信息，從而泄露了客戶端的隱私。因此違背了聯(lián)邦學(xué)習(xí)滿足隱私保護的特性。

在聯(lián)邦學(xué)習(xí)的環(huán)境下，常用的隱私保護手段有同態(tài)加密和本地差分隱私。其中，同態(tài)加密由于是密碼學(xué)的方法，優(yōu)點是不降低數(shù)據(jù)的準(zhǔn)確性，可以有效地還原隱私數(shù)據(jù)，缺點是同態(tài)加密的加解密和通信代價很高。本地差分隱私本質(zhì)是擾動數(shù)據(jù)，因此優(yōu)點是適合計算性能較差的設(shè)備，例如移動設(shè)備，缺點是會犧牲一定的效用性，因為添加的噪聲是隨機的，而且估計值會有一定的方差。

基于此研究時立足于聯(lián)邦學(xué)習(xí)情況下，本地差分隱私更加適用于保護客戶端的隱私。但是少有人研究本地差分隱私與模型精度之間的影響。因此本文考慮隨機響應(yīng)以及優(yōu)化一元編碼機制下，探討的個數(shù)、、客戶端數(shù)量、擾動機制和數(shù)據(jù)分配方式對模型精度的影響。本文還設(shè)計了自適應(yīng)隱私預(yù)算策略，可以根據(jù)相鄰輪模型相似度來提升模型的收斂速度。

1 隱私保護聯(lián)邦學(xué)習(xí)實現(xiàn)

在權(quán)重聚合的框架中，客戶端在每輪訓(xùn)練結(jié)束后上傳的是模型權(quán)重，并且聚合的過程是Federated Averaging算法。在此基礎(chǔ)上，本文設(shè)計權(quán)重聚合的隱私保護系統(tǒng)實現(xiàn)，具體如算法1所示。

：聯(lián)邦學(xué)習(xí)中參與客戶端總數(shù)，每個客戶端記作p（1≤≤）

：每輪參與訓(xùn)練客戶端數(shù)的比例

DB：p的訓(xùn)練數(shù)據(jù)集

：本地訓(xùn)練最小批量尺寸

：訓(xùn)練迭代總輪數(shù)

E：本地總迭代輪數(shù)

：學(xué)習(xí)率

1：Parameter Server Executes：

2：←服務(wù)器初始化全局模型

3：//客戶端分配數(shù)據(jù)集

4：（）

5：for epochin（）do

6：for client∈Sdo

7：//更新模型

9： //上傳前擾動模型權(quán)重

11：end for

12：//聚合估計擾動模型

14：end for

16：//權(quán)重聚合下訓(xùn)練模型

19：←DB隨機分成大小為的批量

20：for local epochin range E( )do

21： for batch∈do

22： //小批量梯度下降

24： end for

25：end for

1.1 隨機響應(yīng)機制實現(xiàn)與分析

此章節(jié)主要描述常用2種本地差分隱私機制隨機響應(yīng)，優(yōu)化的一元編碼在聯(lián)邦學(xué)習(xí)的裁剪、編碼、估計的具體實現(xiàn)，并且優(yōu)化本地差分隱私在服務(wù)器端聚合速度。

1.2 擾動機制實現(xiàn)步驟

（2）編碼：客戶端中第個數(shù)據(jù)記作p，映射后所有狀態(tài)數(shù)為，這里的數(shù)學(xué)公式可寫為：

（3）擾動：對于隨機響應(yīng)機制，經(jīng)過RR編碼后的數(shù)據(jù)需要擾動后才能上傳給中心服務(wù)器：

其中，E［Feq ］是一個維的變量矩陣。

然后模型參數(shù)的估計狀態(tài)數(shù)頻率的矩陣需要轉(zhuǎn)化為真實估計值E［］，具體如下：

其中，E［］是一個維向量，是聚合后的全局模型參數(shù)。

聚合的過程利用到矩陣的乘法，因此時間復(fù)雜度從（）減少至（1），大大提升服務(wù)器端聚合時間的速度，減輕中心服務(wù)器的運算壓力。而且當(dāng)模型規(guī)模越大，節(jié)省的時間越多。

（5）估計方差：為簡化討論，這里只考慮聚合時全局模型的一個模型參數(shù)的方差變化，由于每個模型參數(shù)是不相關(guān)的。所以在Wang等人基礎(chǔ)上計算方差，對應(yīng)的公式可推得為：

顯然，估計模型參數(shù)的方差是與正相關(guān)，即，更多的參與者會帶來更多的方差。

2 自適應(yīng)隱私預(yù)算分配

本文在實驗基礎(chǔ)上觀察同精度不同隱私預(yù)算下的收斂速度，提出自適應(yīng)隱私預(yù)算分配的保護策略。該策略能夠讓聯(lián)邦學(xué)習(xí)在訓(xùn)練過程中，保證總隱私預(yù)算不變的情況下，動態(tài)分配客戶端的隱私預(yù)算。好處是能夠提升模型的收斂速度。

2.1 同精度不同隱私預(yù)算的收斂速度

不同擾動機制的收斂速度比較如圖1所示。觀察圖1就會發(fā)現(xiàn)，隨著隱私預(yù)算增加，模型的收斂速度整體是上升的。

圖1 不同擾動機制的收斂速度比較Fig.1 Comparison of convergence rate with different perturbation mechanism

2.2 自適應(yīng)隱私預(yù)算策略實現(xiàn)

因此本文考慮到模型最初開始訓(xùn)練時，由于模型沒能有效地記住訓(xùn)練集的數(shù)據(jù)，所以模型能夠泄露的訓(xùn)練集數(shù)據(jù)較少，導(dǎo)致隱私泄露率很低，因此可以用較大的隱私預(yù)算來提升模型的收斂速度。當(dāng)模型逐漸接近于收斂時，模型本身記住有關(guān)訓(xùn)練集的信息會逐漸變多，因此需要逐漸減小隱私預(yù)算來保護模型，詳見算法2。

6：（）

8：end for

10：（）

12：end for

14：returnε

15：

17：//cosine similarity

19：//Angular distance and similarity

22：return

綜合前述可知，對于相關(guān)的步驟可給出闡釋論述如下。

3 實驗

3.1 實驗設(shè)置

本文在pytorch1.8進行實驗，實驗硬件設(shè)置見表1。

表1 隱私保護聯(lián)邦學(xué)習(xí)實驗硬件配置Tab.1 Privacy-preserving F-L hardware configuration

本文實驗中聯(lián)邦學(xué)習(xí)的客戶端數(shù)目為1 000個，默認(rèn)參與訓(xùn)練比例為0.5。和分別訓(xùn)練500，1 000輪。實驗的模型-數(shù)據(jù)集為LeNet-MNIST和DNN-Purchase-100。MNIST和Purchase-100分別作為常用的數(shù)字識別數(shù)據(jù)集與成員推理攻擊的數(shù)據(jù)集。LeNet和DNN模型的學(xué)習(xí)率在非擾動情況下，分別為0.1和0.001；擾動情況下，分別為0.1和0.01。LeNet使用SGD優(yōu)化器，DNN使用Adam優(yōu)化器。下LeNet和DNN的基準(zhǔn)模型精度分別為0.988 5、0.909 8；非下LeNet基準(zhǔn)模型精度為0.986 6。

隱私預(yù)算的值設(shè)為0075*2的冪指數(shù)為單位，取值范圍為0～7（2代表隱私預(yù)算值為0075*2），精度損失率的范圍設(shè)為0～1，以0.1間隔遞增，隱私泄露率為0.45～0.75，以0.1間隔遞增。

經(jīng)過本地差分隱私保護的模型，擾動后模型收斂的精度相較于擾動前模型收斂的精度損失的百分比（%），其值可由如下數(shù)學(xué)公式計算得出：

當(dāng)精度損失率接近0時，代表擾動后的模型精度相較于原模型精度幾乎無損失。當(dāng)精度損失率接近于1時，代表擾動后的模型精度損失很高，即擾動后模型幾乎不可用。

3.2 隱私保護聯(lián)邦學(xué)習(xí)分析

3.2.1個數(shù)對精度損失率影響

在擾動模型權(quán)重的框架下，無論數(shù)據(jù)集是還是，精度損失率都會隨著數(shù)量的增加而減小。對精度損失率影響如圖2所示。因此為了此后的研究考慮，在模型盡可能滿足收斂的情況下，這里選擇最小的（在圖2中以紅色星號表示）并繼續(xù)后文的實驗。

圖2 cells對精度損失率影響Fig.2 Impact of cells on accuracy loss

3.2.2 隱私預(yù)算對精度損失率影響

隱私預(yù)算對精度損失率影響如圖3所示。實驗結(jié)果表明，對于模型的精度損失率來說，精度損失率會隨著隱私預(yù)算的增加而減小。原因是當(dāng)隱私預(yù)算變大，擾動機制所添加的噪聲也會變少，擾動模型權(quán)重的變化較小，從而提升模型的精確度。當(dāng)隱私預(yù)算足夠大的時候，擾動模型權(quán)重的變化幾乎可以忽略不計，那么模型收斂后的精度幾乎等于不擾動模型收斂后的精度，即精度損失率接近于0。當(dāng)隱私預(yù)算足夠小的時候，由于擾動模型權(quán)重的變化太大，會導(dǎo)致模型無法收斂，因此模型的精度損失率很高。

圖3 隱私預(yù)算對精度損失率影響Fig.3 Impact of privacy budget on accuracy loss

3.2.3 客戶端數(shù)量對精度損失率影響

客戶端數(shù)量對精度損失率影響如圖4所示。由圖4可知，觀察到當(dāng)客戶端數(shù)量增加，精度損失率會逐漸下降。本文認(rèn)為原因是當(dāng)客戶端數(shù)量比較少的時候，本地差分隱私添加噪聲后，雖然估計方差小了，但是估計均值到真實均值附近的概率較小，因此獲得的估計值與原先的均值的方差區(qū)別較大，導(dǎo)致模型不容易收斂。當(dāng)客戶端數(shù)量比較多的時候，縱使算法和算法的方差變大，但是估計值到真實均值附近的概率較大，因此訓(xùn)練擾動模型中間值和正常訓(xùn)練模型中間值近似，所以模型的收斂后精度損失率較小。

圖4 客戶端數(shù)量對精度損失率影響Fig.4 Impact of number of clients on accuracy loss

3.2.4 自適應(yīng)隱私預(yù)算策略結(jié)果

自適應(yīng)隱私預(yù)算策略實現(xiàn)對比如圖5所示。在圖5中，自適應(yīng)隱私預(yù)算可以提升模型的收斂速度。實驗發(fā)現(xiàn)LeNet相較于DNN模型能夠顯著地提升模型的收斂速度，原因是LeNet模型能在初始10個輪次提升精度至0.6～0.8，但是DNN模型卻需要100～300輪才大致提升精度至0.5～0.7。因此如果只看2個模型的相鄰2輪的近似度，LeNet的相鄰輪變化明顯，所以提升收斂速度明顯。

圖5 自適應(yīng)隱私預(yù)算策略實現(xiàn)對比Fig.5 Comparison of adaptive privacy budget strategy implementation

4 結(jié)束語

本文研究本地差分隱私機制和在權(quán)重聚合的聯(lián)邦學(xué)習(xí)上實現(xiàn)隱私保護并優(yōu)化服務(wù)端聚合速度近似從（）減少為（1），同時評估的個數(shù)、、客戶端數(shù)量、擾動機制和數(shù)據(jù)分配方式對模型精度影響，精度損失會隨著數(shù)量、、客戶端數(shù)量的增加而減小。同等下，會比的精度損失高，和的精度損失類似；同時實現(xiàn)自適應(yīng)隱私預(yù)算策略提升模型訓(xùn)練速度，近似提升一個等級的收斂速度。

在此基礎(chǔ)上，本文仍存在需要改進之處。本文并未評估梯度聚合框架下的效果。同時還未評估聯(lián)邦學(xué)習(xí)下本地差分隱私對隱私泄露的影響。另外，本文現(xiàn)有的數(shù)據(jù)集不夠全面，只有2類典型數(shù)據(jù)集，有待進一步研究解決。