如何使用 Federated Learning

同构加密是一种可选加密方法，用于向 Federated Learning 试验添加其他安全性和隐私。 在 Federated Learning 试验中应用同构加密时，各方会将其同构加密模型更新发送到聚集器。 聚集器没有专用密钥，只能查看同构加密的模型更新。 例如，聚集器无法对模型更新进行反向工程，以发现有关参与方训练数据的信息。 聚集器会以其加密形式对模型进行更新，从而生成加密的聚集模型。 然后，聚集器将加密的聚集模型发送给参与方，这些参与方可以使用其专用密钥进行解密，并继续进行下一轮训练。 只有参与方才能解密模型数据。

支持的框架和融合方法

完全同构加密 (FHE) 支持这些模型框架的简单平均融合方法:

• Tensorflow
• Pytorch
• Scikit-learn 分类
• Scikit-learn 回归

准备工作

要开始使用同构加密，请确保实验满足以下要求:

• 硬件规范必须至少为 small。 根据应用的加密级别，您可能需要更大的硬件规范以适应由更强大的数据加密所导致的资源消耗。 请参阅 配置聚集器中的加密级别表。-软件规范为 fl-rt23.1-py3.10。

• FHE 在 Python 客户机版本 1.0.263 或更高版本中受支持。 所有参与方都必须使用相同的 Python 客户机版本。

配置聚集器 (admin)

创建 Federated Learning 试验时，请执行以下步骤:

1. 在 配置 选项卡中，切换 "启用同构加密"。
2. 针对 硬件规范选择 小型 或更高版本。 根据您应用的加密级别，您可能需要更大的硬件规范来适应同构加密的资源消耗。
3. 选择 模型规范的模型文件时，请确保上载未加密的初始模型。
4. 对于 融合方法，选择 "简单平均值 (已加密)"。 单击下一步。
5. 选中 定义超参数 选项卡中的 显示高级 。
6. 在 加密级别中选择加密级别。
   更高的加密级别可提高安全性和精度，并且需要更高的资源消耗 (例如，计算，内存和网络带宽)。 缺省值为加密级别 1。
   请参阅下表以获取加密级别的描述:

安全性 是加密的强度，通常由攻击者为破坏加密而必须执行的操作数来度量。
精度 是加密系统结果的精度。 更高的精度级别可减少由于加密而导致的模型准确性损失。

连接到聚集器 (参与方)

以下步骤仅显示同构加密所需的配置。 有关在 Federated Learning 中使用同构加密的逐步教程，请参阅 FHE 样本。

要了解如何创建常规端到端参与方连接器脚本，请参阅 连接到聚集器 (参与方)。

1. 使用以下命令安装带有 FHE 的 Python 客户机:
   pip install 'ibm_watsonx_ai[fl-rt23.1-py3.10,fl-crypto]'

2. 按如下所示配置参与方:

   party_config = {
       "local_training": {
           "info": {
               "crypto": {
                   "key_manager": {
                       "key_mgr_info": {
                           "distribution": {
                               "ca_cert_file_path": "path of the root certificate file identifying the certificate authority",
                               "my_cert_file_path": "path of the certificate file of the party issued by the certificate authority",
                               "asym_key_file_path": "path of the RSA key file of the party"
                               } 
                           }  
                       }  
                   }  
               }  
           }  
       }
   }
   

3. 配置后运行参与方连接器脚本。