安全多方学习:从安全计算到安全学习

如何在保护原始数据隐私的前提下,利用分散在多方的数据,高效且安全地完成高质量的机器学习模型训练和预测成为当前安全多方计算和机器学习两个研究方向的一个共同研究热点.本文在调研这一研究热点最新进展的基础上,提出安全多方学习这一概念.作为一个安全攸关软件工程领域的研究主题,安全多方学习是指基于安全多方计算实现隐私保护机器学习的方法、框架与平台.本文分析了安全多方学习中的安全模型、系统部署方式和功能场景,从底层安全多方计算原语和隐私保护技术入手,对现有安全多方学习框架进行了系统全面综述.首先,本文根据所使用的底层技术将安全多方学习框架分成了四类,并从计算复杂度、通信轮次、通信量、线性操作效率、非线性操作效率、支持的功能场景6个方面总结了不同安全多方学习框架的特点.进一步地,本文调研了 38个典型的安全多方学习框架,根据支持的参与方数量、安全模型、功能场景,支持的机器学习模型,支持的激活函数,所实现的池化方式以及准确率等要素对它们进行对比,以展示它们的优势和局限.最后,本文分析了安全多方学习与其他隐私保护机器学习技术之间的区别,给出了安全多方学习提高安全性、可证明安全、提高性能和效率以及安全多方学习框架间的互联互通等方面的未来发展方向.