基于同态加密的高效隐私保护异构联邦拆分学习架构SHE-SFL研究

本文提出SHE-SFL新型架构，创新性地将全同态加密（FHE）与联邦学习（FL）、拆分学习（SL）相结合，通过CKKS加密方案实现客户端激活值、梯度及模型参数的全流程保护。采用批量打包和稀疏化策略，在MNIST等跨域数据集验证中，系统开销降低45%的同时仅牺牲0.49%准确率，为分布式机器学习隐私保护提供了兼具安全性与实用性的解决方案。

　　

Highlight

• 基于FHE的联邦拆分学习架构实现模型多态训练，客户端明文训练与服务器密文训练相结合，所有前向/反向传播过程均通过同态计算完成，提供全方位隐私保护

• 利用CKKS全同态加密方案实现本地模型的加密加权聚合，显著提升非独立同分布（Non-IID）等特殊场景下的模型质量

• 通过打包和稀疏化策略大幅提升加密效率：训练阶段采用基于批次的打包和网络层节点稀疏化；聚合阶段根据HE参数最大化数据打包量并实施包级稀疏化

• 在四个跨域数据集上的实验表明，SHE-SFL较基线方法平均降低38.8%训练时间和45.0%通信数据量，仅产生0.49%的平均精度折损

Experimental setting

平台配置：所有实验在Windows 11平台完成，搭载Intel Core i5-12400F处理器、32GB内存和RTX 4070显卡。采用PyTorch框架实现模型训练，Tenseal库处理同态加密操作。需特别说明的是，当前实验环境限于单机模拟，暂未实现真实场景的分布式客户端部署。

Challenges and limitations

尽管SHE-SFL在隐私保护和系统开销降低方面取得显著进展，仍需正视若干技术局限：FHE固有的计算瓶颈仍是阻碍大规模部署的核心障碍；实验室环境与真实场景的设备异构性可能影响性能指标；加密加权聚合虽然提升模型质量，但对计算资源的需求呈指数级增长。这些挑战为后续研究指明了方向。

Conclusion

本研究提出的SHE-SFL架构通过CKKS全同态加密方案，为FL与SL的融合架构提供了端到端的隐私保护解决方案。采用创新的数据打包和稀疏化策略，在保证模型精度的同时显著提升了系统效率，为医疗健康等领域敏感数据的分布式机器学习应用提供了重要技术参考。