隐私计算S2赛季：安全性与误差评测的「荒岛求生」

上周阅读到文章《隐私计算S2赛季「谁是真正的王者」》，对其中有一条提到的安全性和误差评测，尤其感兴趣。因为我从数十家客户的实际交付环节，看到审计对安全证明的必要性，同时也看到业务对联邦学习存在误差的“纠结”。证明一件事情正确是很困难的，那叫定理；当定理被大家都公认了，可能就是公理了。联邦学习项目又是一个综合性的复杂工程，证明安全，何其容易？取其名曰：荒岛求生。富数隐私计算平台Avatar从底层密码、算法到通信，完全自主研发，可以事无巨细地进行多维度评测。因此，本文将以富数科技的安全性评估体系为例，希望为行业带来一点小小的参考。

1、Avatar 安全评估体系

Avatar安全评估体系方案针对多方联合建模产品的安全性进行验证，涉及模块如图：

图：Avatar安全体系评估八要素

2

融合过程的安全性检测

1）安全融合原理

2）安全融合通信

3）通信事件抓包这里举例对加密数据进行私钥盲签名，发送方:HOST，事件名称:inter_to_guest_1_0 事件描述：私钥对加密数据进行盲签名 blind_sid，抓包截图：

反序列化的结果：

4）安全性分析为验证算法安全, 对”盲化 ID”和”ID 除盲”两个过程进行断点输出，输出中间临时 数据，以便方便验证算法安全，真实线上环境不会存在该输出动作。GUEST 一方中间数据断点输出两份数据, 即中间结果数据临时输出存储到本地。验证解析对比如下：1) 原始数据 ID + 随机掩码 + HOST 公钥(inter_pubkey 数据 e_data) = inter_to_host_1 数据 e_data;   

通过正向逻辑计算 reh 值与步骤4通信的反序列化数据进行对比2) inter_to_guest_1 数据 e_data 进行 ID 除盲 = DA,为 guest 方中间计算结果; 

5）准确性分析

采用线上+线下的对比测试进行验证，分析原理简单，此处略去。

3

联邦学习的误差分析

Avatar联邦学习过程精度解析

1）安全融合

运行线下验证脚本并进行截图, 得出两方数据对齐后的ID条数为39条, Avatar 运行结果表明对齐ID条数统计(加表头)共计40条，即实际对齐条数39条，与线下对齐结果一致。

2）特征工程

下方为本地脚本运行截图，使用等频分箱方式，分箱后对目标变量单一取值的箱进行区间合并，通过结果对比，可知联邦计算与本地计算各指标结果相同。

3）模型训练

两任务以相同参数进行模型训练，通过结果对比可知密文计算较明文计算在保证数据安全的前提下，结果几乎无损。

4、Avatar监控大盘

在富数科技自研创新能力的加持下，Avatar 行业首创安全驾驶舱，让复杂的多方安全计算原理从黑盒变成白盒，让安全可视化，提高了安全的可解释性，让用户掌握更强的系统运营能力。

Avatar 支持参与各方完全直连，无需任何第三方，解决了甲乙两方安全建模找不到合适第三方的问题，让合作双方获得更加自主可信的数字空间。

Avatar“驾驶舱” - 安全性监控大盘

小结

正如文中所说，隐私计算开始进入了比较白热化的赛季，这种竞赛表现在行业客户对厂商的选型与评测，在我们经历的所有客户，或多或少存在正面交流切磋，“以终为始，客户第一，一定是这个阶段最重要的。隐私计算软件作为一个安全软件的范畴，软件平台自身的安全性也相当重要。快与慢之间、精确与误差之外，只有和业务紧密结合，才可以做到可用。”

 】