联邦学习的安全机制

同态加密能够在不对密文进行解密的情况计算密文，差分隐私采用了一种随机机制，使得当输入的单个样本改变之后，输出的分布不会有太大的改变。

联邦学习的安全机制

• 同态加密
  • 概述：能够在不对密文进行解密的情况计算密文
  • 定义：同态加密方案H是一种通过对密文进行有效计算操作（计算方不需要获知解密密钥），从而允许在加密内容上进行特定代数运算的加密方案。yigetongtaifanganH由一个四元组组成：H={KeyGen,Enc,Dec,Eval}
    • 分类：
      • 部分同态加密（半同态加密）
        • 性质：封闭性，结合律，单位元，逆元
        • 加法同态
        • 乘法同态
      • 些许同态加密：指经过同态加密的密文数据，在其上执行的操作只能是有限次数
      • 全同态加密：允许进行无限次的运算操作
• 差分隐私
  • 概念：差分隐私采用了一种随机机制，使得当输入的单个样本改变之后，输出的分布不会有太大的改变。
  • 定义：它提供了一种信息安全性保障，及函数的输出结果对数据集里的任何特定记录都不敏感。
  • 按照数据收集方式的不同分为（区别在于差分隐私对数据处理的阶段不同）：
    • 中心化差分隐私：依赖一个可信的第三方来收集数据（要求第三方可信，难以实现）
      • 定义：Pr[M(D)∈S]<=Pr[M(D')∈S]*e^+a
        • 两大性质
          • 串行组合
          • 并行组合
    • 本地化差分隐私：将数据隐私化的工作转移到每个参与方，参与方自己来处理和保护数据，再将扰动的数据发送给第三方（不要求第三方可信）
    • 差异性：中心化差分隐私是定义在任意两个相邻数据集的输出相似性上的。而本地差分隐私是定义在本地数据任意两条记录的输出相似性上的
    • 差分隐私的实现机制
      • 添加扰动噪声数据
        • 中心化差分隐私：扰动机制包括拉普拉斯噪声机制、指数噪声机制等
        • 本地化差分隐私：随机响应