基于代理重签名的隐私保护高效可验证联邦学习方案

联邦学习(FL)面临梯度隐私泄露和聚合结果不可验证的双重挑战。研究人员提出结合双掩码协议和中国剩余定理(CRT)的代理重签名方案，在MNIST/FashionMNIST/CIFAR-10数据集上实现98.47%/87.12%/65.24%准确率，较同态加密降低89%计算开销，为医疗金融等敏感领域提供可验证的隐私保护新范式。

　　

在人工智能与隐私计算交叉领域，联邦学习(Federated Learning, FL)正面临"数据可用不可见"理想与现实间的巨大鸿沟。虽然谷歌团队2017年提出的框架避免了原始数据集中传输，但最新研究表明，梯度交换仍会通过模型反转攻击暴露患者CT影像细节，而恶意服务器伪造聚合结果可能导致金融风控模型全面失效。现有方案中，同态加密(Homomorphic Encryption)计算耗时呈指数增长，差分隐私(Differential Privacy)使MNIST识别率骤降15%，安全多方计算(Secure Multi-party Computation)的通信轮次更制约着千亿级参数的模型训练。

中国某高校团队在《Expert Systems with Applications》发表的突破性研究，创新性地将代理重签名(Proxy Re-signature)技术与数论方法结合。通过双掩码协议实现梯度盲化，利用中国剩余定理(CRT)压缩通信量，设计出首个支持实时验证的轻量级联邦学习方案。关键技术包括：(1)基于伪随机生成器(PRG)的动态掩码系统；(2)代理服务器将G₁群签名转化为G₂群聚合签名的重签名算法；(3)CRT对梯度张量的维度压缩技术。研究使用MNIST等标准数据集验证，样本来自公开医学影像库。

【梯度隐私】通过数学推导证明，即使获得99%参与方密钥，攻击者也无法解构w_i = w?_i - ∑PRG(A_i,j)，因缺失配对参数e(g₁, g₂)^αβ。

【性能分析】在100节点规模下，签名聚合耗时仅2.3ms，较Boneh-Lynn-Shacham方案提升47倍。CRT使通信量从O(n²)降至O(n)。

【模型精度】引入密码组件后，ResNet-18在CIFAR-10上的准确率波动小于0.8%，显著优于差分隐私方案的6.2%损失。

该研究标志着联邦学习进入"可验证时代"，其创新点在于：首先，代理重签名机制使每个客户端可独立验证∑w_i的正确性，而传统方案需所有参与者协同验证；其次，CRT与掩码的协同使用，首次在保护隐私同时实现O(1)级别的验证复杂度。作者Shufen Niu团队特别指出，该方案在医疗联合诊断场景中，既能防止医院数据泄露，又可检测第三方平台是否篡改模型权重。未来研究可探索在Transformer大模型中的适应性，以及对抗量子计算的签名增强方案。