横向联邦-局部差分隐私加噪训练
联邦学习过程中，用户数据仅用于客户端设备的本地训练，不需要上传至中心服务器，可以避免泄露用户个人数据。然而，传统联邦学习框架中，模型以明文形式上云，仍然存在间接泄露用户隐私的风险。攻击者获取到客户端上传的明文模型后，可以通过重构、模型逆向等攻击方式，恢复参与学习的用户个人数据，导致用户隐私泄露。
MindSpore Federated联邦学习框架，提供了基于本地差分隐私（LDP）算法，在客户端上传本地模型前对其进行加噪。在保证模型可用性的前提下，解决横向联邦学习中的隐私泄露问题。
原理概述
差分隐私（differential privacy）是一种保护用户数据隐私的机制。差分隐私定义为：
对于两个差别只有一条记录的数据集\(D, D’\)，通过随机算法\(\mathcal{K}\)，输出结果为集合\(S\)子集的概率满足上述公式。\(\epsilon\)为差分隐私预算，\(\delta\)扰动，\(\epsilon\)和\(\delta\)越小，说明\(\mathcal{K}\)在\(D\)和\(D’\)上输出的数据分布越接近。
在横向联邦学习中，假设客户端本地训练之后的模型权重矩阵是\(W\)，由于模型在训练过程中会“记住”训练集的特征，所以攻击者可以借助\(W\)还原出用户的训练数据集[1]。
MindSpore Federated提供基于本地差分隐私的安全聚合算法，防止客户端上传本地模型时泄露用户隐私数据。
MindSpore Federated客户端会生成一个与本地模型\(W\)相同维度的差分噪声矩阵\(G\)，然后将二者相加，得到一个满足差分隐私定义的权重\(W_p\)：
MindSpore Federated客户端将加噪后的模型\(W_p\)上传至云侧服务器进行联邦聚合。噪声矩阵\(G\)相当于给原模型加上了一层掩码，在降低模型泄露敏感数据风险的同时，也会影响模型训练的收敛性。如何在模型隐私性和可用性之间取得更好的平衡，仍然是一个值得研究的问题。实验表明，当参与方的数量\(n\)足够大时（一般指1000以上），大部分噪声能够相互抵消，本地差分机制对聚合模型的精度和收敛性没有明显影响。
使用方式
本地差分隐私训练目前只支持端云联邦学习场景。开启差分隐私训练的方式很简单，只需要在启动云侧服务时，通过yaml设置encrypt_type字段为DP_ENCRYPT即可。
此外，为了控制隐私保护的效果，我们还提供了3个参数：dp_eps，dp_delta以及dp_norm_clip，它们也是通过yaml文件进行设置。
dp_eps和dp_norm_clip的合法取值范围是大于0，dp_delta的合法取值范围是0<dp_delta<1。一般来说，dp_eps和dp_delta越小，隐私保护效果也越好，但是对模型收敛性的影响越大。建议dp_delta取成客户端数量的倒数，dp_eps大于50。
dp_norm_clip是差分隐私机制对模型权重加噪前对权重大小的调整系数，会影响模型的收敛性，一般建议取0.5~2。
参考文献
[1] Ligeng Zhu, Zhijian Liu, and Song Han. Deep Leakage from Gradients. NeurIPS, 2019.