一种面向隐私聚合安全联邦学习的结果无关功能加密框架

《Computer Standards & Interfaces》:A result-oblivious Functional Encryption framework for secure federated learning of privacy aggregation

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computer Standards & Interfaces 4.6

编辑推荐:

   •ROFE 提供了无可信第三方(TTP)、服务器视角的结果不可知聚合,用于联邦学习(FL)。 •密钥派生函数(KDF)为每个 FL 轮次派生全新的密钥核心偏移量。 •双变量对称多项式(SBP)避免了客户端掉线检测后的进一步客户端间交互。 •基于 DDH、DCR 和 LWE 的

  

•ROFE 提供了无可信第三方(TTP)、服务器视角的结果不可知聚合,用于联邦学习(FL)。
•密钥派生函数(KDF)为每个 FL 轮次派生全新的密钥核心偏移量。
•双变量对称多项式(SBP)避免了客户端掉线检测后的进一步客户端间交互。
•基于 DDH、DCR 和 LWE 的多客户端函数加密(MCFE)方案实例化了 ROFE 接口。
•在客户端掉线场景下,ROFE 相比稳健的基线方案实现了 11 倍加速。

引言

在全球数字化转型浪潮中,数据已成为驱动医疗、金融和城市治理等领域人工智能创新的关键资产。然而,日益严格的隐私法规(如欧盟《通用数据保护条例》(GDPR)[1])对数据处理和跨域数据交换施加了诸多约束。这些约束导致组织内部普遍形成数据孤岛。作为应对措施,联邦学习(FL)[2] 作为一种有效解决方案应运而生,它能够在不暴露原始数据的情况下实现协同模型训练。然而,在参与者之间存在竞争关系的跨组织环境中,FL 仍然容易受到隐私泄露风险 [3], [4]。为应对这一挑战,隐私保护联邦学习(PPFL)[5] 被开发出来。它集成了同态加密(HE)[6] 和安全多方计算(MPC)[7] 等密码学技术,以在参与者之间建立更强的信任。然而,HE [5] 在迭代训练过程中引入了巨大的计算开销,而 MPC [8] 则需要在各方之间进行大量通信。这两种局限性都阻碍了 PPFL 在具有严格延迟要求的大规模系统中的部署。

为克服传统隐私保护范式的效率瓶颈,函数加密(FE)[9] 作为 PPFL 的一种有前景的替代方案受到了广泛关注。与限制密文计算的传统加密方案不同,FE 允许数据所有者生成解密密钥,该密钥仅允许对加密数据执行特定的函数计算。这一范式转变确保了参与者只能访问与特定函数相关的输出,而无法访问底层梯度或模型参数。与 HE [6] 相比,FE 避免了计算密集的引导过程,显著降低了计算开销。与 MPC [7] 相比,FE 消除了多轮交互的需要,从而大幅降低了通信敏感环境中的延迟。

尽管 FE 在 PPFL 中具有显著优势,但仍存在若干关键挑战,尤其是潜在隐私风险 [10], [11] 以及密码学方案对系统鲁棒性的影响 [12]。

- 来自聚合输出的隐私风险

如图 1 所示,传统的基于 FE 的 FL 范式 [13], [14] 通常涉及客户端加密其本地模型。服务器使用函数解密密钥对这些密文计算聚合函数,以获得最终的明文聚合模型。

尽管从底层 FE 定义的角度来看这种行为是正确的,但暴露明文聚合结果会在 FL 中创建一个应用层观察通道。好奇的服务器或外部对手可以利用这些模式发起强大的推断攻击 [10], [11]。例如,最近的研究 [15] 表明,即使仅接收到安全聚合的总梯度,仍可以通过求解线性方程组来分解单个梯度,从而实现对客户端私人标签的 100% 恢复。在医疗 FL [16] 等敏感领域,此类攻击可能确定特定患者的记录是否被包含在训练集中,从而导致严重的隐私泄露。

结果不可知

这一漏洞促使我们确立核心设计原则:结果不可知。我们将此原则形式化为一种专为 FL 隐私需求定制的服务器视角安全属性。该原则规定,在执行聚合计算后,服务器视角应保持在可能产生不同明文聚合结果的各次执行之间计算上不可区分(见 3.2.3 节)。我们之所以如此设计该属性,是因为推断攻击 [11], [15] 利用最终聚合结果中包含的统计模式和结构信息。通过在函数解密密钥中引入客户端持有、轮次特定的偏移量,ROFE 在整个服务器评估视角中掩盖了依赖于聚合结果的信息(图 2, III, IV)。这种方法防止了被动的结果观察通道泄露信息。

- 密码学可扩展性与鲁棒性

现有基于 FE 的 PPFL 方案的一个显著特征是围绕单一特定的密码学假设(例如 DDH(判定 Diffie-Hellman)[17] 或 DCR(判定复合剩余类)[18])进行设计。在这些方案中,应用逻辑通常与所选的底层假设紧密集成。虽然这种专业化设计允许有效的构建,但也引入了架构可扩展性方面的挑战。

此处的"可扩展性"不仅指性能,还指框架适应不断演进的安全需求的能力。例如,完全基于 DDH 构建的方案在后量子环境下将变得过时。它无法"扩展"到使用抗量子假设(如 LWE(带误差学习)[19]),而无需从头开始完全重新设计。该领域极度缺乏一个能在不同密码学原语之间扩展的通用框架,一个能够将核心逻辑与底层难题抽象化的框架。

此外,现有方案在去中心化的鲁棒性与操作效率之间面临着根本性的权衡。多客户端函数加密(MCFE)[20] 通常依赖可信第三方(TTP)进行密钥管理,从而形成集中式的单点故障。虽然分布式 MCFE(DMCFE)[17] 消除了 TTP,但早期设计引入了新的脆弱性:需要一组固定客户端的参与。尽管近期进展(例如 Lepcat [18] 和鲁棒 DMCFE [12])已成功解决了无 TTP 环境下的掉线容忍问题,但它们往往引入高昂的计算开销,或在客户端掉线时需要多轮交互式通信。这种交互式脆弱性和高延迟使得此类方案不适合实际的 FL 场景,其中频繁的、非恶意的客户端掉线需要高效的非交互式恢复机制。

我们提出了结果不可知函数加密(ROFE),作为基于特殊密钥内积 MCFE 方案的面向 FL 的协议框架。其核心思想是将此类方案的逐客户端线性密钥核心结构转换为服务器视角结果不可知的 FL 框架。我们的贡献总结如下:

- 服务器视角结果不可知的聚合。我们识别出标准基于 MCFE 的 FL 中暴露给服务器的明文聚合结果为应用层隐私风险。ROFE 通过在 MCFE 评估流程中引入客户端持有、轮次特定的密钥核心偏移量来修改评估流程,使得服务器仅获得一个带掩码的原生域中间值,而最终恢复由参与客户端完成。我们将此保证形式化为服务器视角结果不可知:对于相同的公共上下文,完整的服务器视角在底层明文聚合结果不同时仍保持计算上不可区分。

- 高效、鲁棒且可证明安全的无 TTP 设计。我们使用对称双变量多项式(SBP)共享来支持掉线校正。在掉线状态未知之前,客户端分发并存储后续校正所需的恢复信息。一旦活动集确定,服务器从在线客户端提交的信息中重建缺失的校正项。因此,在掉线检测后不需要额外的客户端间交互。它在计算上实现了两个数量级的加速,在掉线场景下通信改善了 11 倍。

- 与特殊密钥 MCFE 实例的兼容性。我们基于可分解的逐客户端密钥核心、子集兼容的原生评估以及 SBP 兼容的加性密钥核心表示,制定了 ROFE 兼容接口。结果不可知的掩码和掉线校正机制由 ROFE 框架引入,而非假设其为底层 MCFE 方案的固有属性。我们验证了先前工作中基于 DDH、DCR 和 LWE 的 MCFE 构建在各自的原生编码域中对该接口的兼容性。这些构建的原始 IND 安全性结果得以保留,而 ROFE 引入的额外服务器视角结果不可知性则单独进行分析。

- 评估与比较。我们使用三种选定的 MCFE 实例实现了 ROFE,并在代表性的 FL 工作负载中评估其在线密码学开销、每轮开销和掉线校正开销。我们将这些开销与代表性的基于 FE 的 PPFL 基线进行比较,并报告在掉线场景下测量的计算改进和交互开销降低。

为定位我们的工作,我们首先将 ROFE 与几种最先进的基于 FE 的 PPFL 方案进行比较。表 1 提供了它们核心功能属性的比较。在该表中,"掉线"指示该方案是否对客户端掉线具有鲁棒性,"聚合隐私"表示保护聚合结果免受服务器端推断攻击的能力。

FE 与 PPFL 的初步集成由 HybridAlpha [14] 等方案开创,该方案使用 MIFE 在集中式架构中保护模型上传,其中 TTP 管理动态客户端。这种基于 MIFE 的方法被 FedV [13] 扩展到垂直 FL,并在 CryptoEdge [21] 中扩展到三层物联网架构,其中中间层处理预解密。然而,由于 MIFE 被发现易受混用攻击,TAPFed [23] 作为一种升级方案应运而生。TAPFed 将底层方案转换为基于标签的 MCFE 协议,应用于多服务器、多客户端环境。虽然这种设计通过使用多个服务器进行预解密成功实现了抵抗推断攻击,但将大量计算负担转移到了客户端。类似地,基于 MCFE 的 CryptoFE [22] 在 TTP 管理密钥的条件下运行。

为解决 TTP 依赖问题,后续研究转向了基于 DMCFE 的无 TTP 设计。2DMCFE [24] 通过简单地添加掩码实现了无 TTP 方案;然而,最终轮次发布的密文仍易受推断攻击。与此同时,Lepcat [18] 提出了一种双掩码 DMCFE 方案,专门用于解决客户端掉线问题。虽然该方法在提供鲁棒性方面取得了成功,但其交互开销较高,需要客户端与服务器之间进行四轮通信。基于 DMCFE 的 PrivLDFL [25] 利用中国剩余定理(CRT)进行数据压缩。然而,其数据基于质数,这种离散性导致了低效的恢复过程;此外,离散对数计算会带来较大的空间开销。

符号说明

设 [??]={1,2,…,??},设 |??| 表示集合 ?? 的基数。对于算法 ??,我们写 ??←???(?) 表示其输出,??←?? 表示 ?? 从分布 ?? 中采样。计算不可区分性用 ??≈ 表示。粗体符号表示其指定域上的向量。对于每个 ??∈[??],设 ????=(????,1,…,????,??)∈????。我们写 ??=(??1,…,????) 表示对应的向量集合。内积定义为 〈????,????〉=∑????=1????,???????,??。对于集合 ??,我们定义 ?????(??,??)=∑??∈??〈????,????〉。

密钥派生函数

设 ? 为……

威胁模型

ROFE 适用于具有一个聚合服务器和一个 epoch 内客户端群体的跨域 FL 设置。服务器是诚实但好奇的:它遵循规定的协议消息,但可能分析其收到的所有服务器端信息。

在我们的服务器视角结果不可知定义中,不允许服务器与被攻破的客户端串通。客户端破坏仅在声明的阈值范围内考虑:少于 ?? 个客户端侧 SBP 视图可能暴露。我们假设……

结果不可知函数加密框架

ROFE 是本节中开发的主要协议框架。它将特殊密钥 MCFE 的线性密钥核心结构适配到服务器视角结果不可知的 FL 聚合中。SBP 共享方案作为 ROFE 的内部组件,用于分发轮次特定的密钥核心偏移量并校正由客户端掉线导致的缺失贡献。我们首先介绍基于 SBP 的组件,然后描述完整的 ROFE 框架。

实验设置

为展示 ROFE 框架的广泛适用性,我们使用三种基于不同密码学假设的 MCFE 方案进行实例化和评估:DDH [17]、DCR 和 LWE [20]。我们在实现中严格遵循这些原始方案的参数和安全设置。同时,我们将这些 ROFE 实例与它们的最先进对应方案进行基准测试,包括集中式的 HybridAlpha [14]、无 TTP 的 2DMCFE [24](基于 SXDH)以及鲁棒的……

结论

在本文中,我们提出了 ROFE,作为一个基于特殊密钥内积 MCFE 的面向 FL 的协议框架。ROFE 在密钥核心中引入客户端持有的、轮次特定的偏移量,使得聚合服务器获得带掩码的原生域评估值,而参与客户端可以恢复明文聚合。我们将其保证形式化为服务器视角结果不可知,要求完整且内部一致的服务器视角保持计算上不可区分。

CRediT 作者贡献声明

Ruizhe Zhang:撰写—审阅与编辑,撰写—原始草稿,资源,方法论,调查,形式化分析,数据整理,概念化。
Weiheng Feng:软件,数据整理。
Han Wang:软件,资源,数据整理。
Pingbin Luo:形式化分析。
Qiong Huang:撰写—审阅与编辑,验证,指导,概念化。

利益冲突声明

作者声明他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到国家自然科学基金(62272174)、广东省基础与应用研究重大专项(2019B030302008)和广州市科技计划(2024A04J6542)的支持。

Ruizhe Zhang | Weiheng Feng | Han Wang | Pingbin Luo | Qiong Huang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号