Funktionsweise mit Federated Learning

Homomorphe Verschlüsselung ist ein optionales Verschlüsselungsverfahren, um einem Experiment für föderiertes Lernen zusätzliche Sicherheit und Datenschutz hinzuzufügen. Wenn die homomorphe Verschlüsselung in einem Experiment für föderiertes Lernen angewendet wird, senden die Parteien ihre homomorphen verschlüsselten Modellaktualisierungen an den Aggregator. Der Aggregator hat keinen privaten Schlüssel und kann nur die homomorphisch verschlüsselten Modellaktualisierungen anzeigen. Beispielsweise kann der Aggregator die Modellaktualisierungen nicht rückentwickeln, um Informationen zu den Trainingsdaten der Parteien zu erkennen. Der Aggregator verbindet die Modellaktualisierungen in ihrer verschlüsselten Form, was zu einem verschlüsselten aggregierten Modell führt. Anschließend sendet der Aggregator das verschlüsselte aggregierte Modell an die beteiligten Parteien, die ihren privaten Schlüssel für die Entschlüsselung verwenden und mit der nächsten Trainingsrunde fortfahren können. Nur die beteiligten Parteien können Modelldaten entschlüsseln.

Unterstützte Frameworks und Fusionsmethoden

Fully Homomorphic Encryption (FHE) unterstützt die einfache durchschnittliche Fusionsmethode für diese Modellframeworks:

• Tensorflow
• Pytorch
• Scikit-learn Klassifizierung
• Scikit-learn Regression

Vorbereitende Schritte

Stellen Sie für den Einstieg in die Verwendung der homomorphen Verschlüsselung sicher, dass Ihr Experiment die folgenden Anforderungen erfüllt:

• Die Hardwarespezifikation muss mindestens kleinsein. Abhängig von der Verschlüsselungsstufe, die Sie anwenden, benötigen Sie möglicherweise eine größere Hardwarespezifikation, um die Ressourcenauslastung zu berücksichtigen, die durch eine leistungsfähigere Datenverschlüsselung verursacht wird. Weitere Informationen finden Sie in der Tabelle mit den Verschlüsselungsebenen unter Aggregator konfigurieren. Die Softwarespezifikation ist fl-rt23.1-py3.10.

• FHE wird in Python Client Version 1.0.263 oder höher unterstützt. Alle Parteien müssen dieselbe Python -Clientversion verwenden.

Aggregator konfigurieren (admin)

Führen Sie beim Erstellen eines Experiments für föderiertes Lernen die folgenden Schritte aus:

1. Aktivieren Sie auf der Registerkarte Konfigurieren die Option "Homomorphe Verschlüsselung aktivieren".
2. Wählen Sie Klein oder höher für Hardwarespezifikationaus. Je nach Verschlüsselungsstufe, die Sie anwenden, benötigen Sie möglicherweise eine größere Hardwarespezifikation, um die Ressourcennutzung für die homomorphe Verschlüsselung zu berücksichtigen.
3. Stellen Sie sicher, dass Sie ein unverschlüsseltes Anfangsmodell hochladen, wenn Sie die Modelldatei für Modellspezifikationauswählen.
4. Wählen Sie "Einfacher Durchschnitt (verschlüsselt)" für Fusionsmethodeaus. Klicken Sie auf Weiter.
5. Wählen Sie Erweiterte anzeigen auf der Registerkarte Hyperparameter definieren aus.
6. Wählen Sie die Verschlüsselungsstufe in Verschlüsselungsstufeaus.
   Höhere Verschlüsselungsstufen erhöhen Sicherheit und Genauigkeit und erfordern einen höheren Ressourcenverbrauch (z. B. Berechnung, Speicher, Netzbandbreite). Der Standardwert ist Verschlüsselungsstufe 1.
   Die folgende Tabelle enthält eine Beschreibung der Verschlüsselungsebenen:

Sicherheit ist die Stärke der Verschlüsselung, normalerweise gemessen an der Anzahl der Operationen, die ein Angreifer ausführen muss, um die Verschlüsselung zu unterbrechen.
Genauigkeit ist die Genauigkeit der Ergebnisse des Verschlüsselungssystems. Höhere Genauigkeitsstufen verringern den Verlust der Genauigkeit des Modells aufgrund der Verschlüsselung.

Verbindung zum Aggregator (Partei) herstellen

Die folgenden Schritte zeigen nur die Konfiguration, die für die homomorphe Verschlüsselung erforderlich ist. Ein schrittweises Lernprogramm zur Verwendung homomorpher Verschlüsselung in Federated Learning finden Sie unter FHE sample.

Informationen zum Erstellen eines allgemeinen End-to-End-Parteiconnectorscripts finden Sie unter Verbindung zum Aggregator (Partei) herstellen.

1. Installieren Sie den Python -Client mit FHE mit dem Befehl
   pip install 'ibm_watsonx_ai[fl-rt23.1-py3.10,fl-crypto]' .

2. Konfigurieren Sie die Partei wie folgt:

   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. Führen Sie das Parteiconnectorscript nach der Konfiguration aus.