中国移动通信有限公司研究院关于联邦学习安全需求的白皮书概览
联邦学习发展概述
- 数据要素市场与安全合规:随着国家对数字经济的大力推动,数据要素市场迅速发展,强调数据的生产要素地位和安全合规。法律法规日益严格,保障数据隐私。
- 联邦学习技术进展:联邦学习作为一种分布式机器学习方法,允许多个参与方在不共享原始数据的情况下协同训练模型,旨在保护数据安全与隐私,适用于多种应用场景。
联邦学习面临的挑战
- 缺乏合规及安全性评测:目前缺乏统一、标准化的安全评测体系,难以验证联邦学习系统的安全性和协议一致性。
- 性能开销与规模应用限制:加密技术的引入增加了计算、存储和通信成本,系统性能受限于最弱环节,影响规模化应用。
- 异构框架间的互联互通壁垒:不同联邦学习框架间的不兼容性制约了技术的广泛应用。
安全风险分析
- 信息平台安全风险:包括物理、网络、主机、应用和数据安全风险。
- 联邦协议安全风险:涉及联邦学习协议、安全多方计算算法和基础密码算法的安全性。
- 联邦业务安全风险:涵盖合规性、公平性、模型可解释性与防攻击性。
安全需求总体框架
- 安全目标与要求:涵盖平台、协议和业务层的安全属性。
- 安全框架:信息平台安全、联邦协议安全与联邦业务安全三层结构。
- 安全分级建议:建议将联邦学习安全分为三级,从基本安全到高级安全逐步提升。
展望与倡议
- 构建安全标准体系:推动建立联邦学习安全标准,包括安全指标、分级分类和安全能力分级。
- 建立安全评估体系:制定联邦学习安全评估标准,推动安全认证机制。
- 聚焦关键领域:重点解决联邦学习的安全挑战,促进技术创新与应用。
结论
本白皮书全面分析了联邦学习在发展、挑战、安全风险与需求、框架以及未来展望方面的关键点,旨在推动联邦学习技术的安全、合规和规模化应用。通过构建安全标准体系、推动安全评估认证,以及聚焦关键领域,可促进联邦学习技术的健康发展和广泛应用。