2.1 百度PaddleFL框架

PaddleFL是百度开发的一个基于飞桨（PaddlePaddle）的开源联邦学习框架，让研发人员可以很轻松地使用不同的联邦学习算法，同时也让开发人员比较容易在大规模分布式集群中部署PaddleFL联邦学习系统。PaddleFL可以算是最早的联邦学习框架之一。本节将首先介绍一下PaddlePaddle飞桨深度学习框架、PaddleFL框架结构，以及简单的实战示例。

2.1.1 PaddleFL框架结构

PaddleFL提供了很多种联邦学习策略（横向联邦学习、纵向联邦学习）及其在计算机视觉、自然语言处理、推荐算法等领域的应用。此外，PaddleFL还将提供传统机器学习训练策略的应用，例如多任务学习、联邦学习环境下的迁移学习。依靠着PaddlePaddle的大规模分布式训练和Kubernetes对训练任务的弹性调度能力，PaddleFL可以基于全栈开源软件轻松地部署。PaddleFL联邦学习框架如图2-1所示。

PaddleFL以飞桨作为其深度学习框架，提供编程语言、模型参数训练、边缘计算，以及弹性调度等底层服务。它支持目前主流的两类联邦学习策略：横向联邦学习策略和纵向联邦学习策略。对于横向联邦学习策略，它主要通过联邦平均（FedAvg）算法、差分隐私-随机梯度下降法（DP-SGD），以及安全聚合（SecAgg）算法保障用户数据隐私和深度学习训练过程的安全。对于纵向联邦学习策略，它提供了基于PrivC的两方安全计算训练方式和基于ABY3的三方安全计算训练方式。

PaddleFL主要提供了两种解决方案：数据并行（Data Parallel）和基于安全多方计算的联邦学习（PaddleFL with MPC, PFM）。通过数据并行的方式，各数据方可以基于经典的横向联邦学习策略（如FedAvg、DP-SGD等）完成模型训练。PFM是基于安全多方计算（MPC）实现的联邦学习方案。PFM可以很好地支持联邦学习，包括横向、纵向及联邦迁移学习等多个场景，既提供了可靠的安全性，也拥有可观的性能。

1.数据并行机制

在数据并行模式中，模型训练的整个过程分为两个阶段：编译阶段（Compile Time）和运行阶段（Run Time）。编译阶段主要定义联邦学习任务，运行阶段主要进行联邦学习训练工作，具体的组件如图2-2所示。

编译阶段的任务如下。

● 联邦学习策略（FL-Strategy）：用户可以使用FL-Strategy定义联邦学习策略，例如Fed-Avg等。

● 自定义模型（User-Defined-Program）：定义了机器学习模型的结构和训练策略，例如多任务学习等。

● 分布式配置（Distributed-Config）：定义联邦学习系统的分布式环境部署，例如分布式训练配置定义训练节点信息。

● 联邦任务生成器（FL-Job-Generator）：给定FL-Strategy、User-Defined-Program和Dis-tributed-Config，联邦参数的Server端和Client端的FL-Job将通过FL-Job-Generator生成。FL-Job被发送到组织和联邦参数服务器，以进行联合训练。

运行阶段的任务如下。

● 服务器（FL-Server）：通常在云或第三方集群中运行的参数服务器。

● 训练端（FL-Worker）：每个参与联邦学习的组织都将拥有一个或多个FL-Worker，它们将与联邦学习参数服务器进行通信。

● 调度器（FL-Scheduler）：训练过程中起到调度Worker的作用，在每个更新周期前，决定哪些Worker参与训练。

2.基于安全多方计算的PFM运行机制

PaddleFL的PFM是基于ABY3和PrivC等底层MPC协议来实现安全训练和推理任务的，是一种高效的多方计算模型。基于PrivC的两方联邦学习主要支持线性/逻辑回归、DNN模型。基于ABY3的三方联邦学习则支持线性/逻辑回归、DNN、CNN、FM等。

在PaddleFL的PFM中，参与者可以分为不同的角色，包括输入方（Input Party）、计算方（Computing Party）和结果方（Result Party）。输入方，包括训练数据所有者和模型所有者，将数据或模型加密并分发给计算方（ABY3协议中存在三个计算方，而PrivC协议中存在两个计算方）。计算方（例如云上的虚拟机）基于特定的MPC协议进行训练或推理任务，被限制只能看到加密的数据或模型，从而保证数据的隐私。当完成运算任务后，计算方将加密结果发送给一个或多个结果方（例如数据所有者或指定的第三方），使结果通过第三方解密重构，如图2-3所示。

PFM中的完整训练或推理过程主要包括三个阶段：数据准备、训练/推理和结果重构。在数据准备阶段，PFM需要进行私有数据对齐、加密与分发。私有数据对齐：PFM使所有的数据所有者能够找出具有相同密钥（如UUID）的记录，而不会相互泄露私有数据。这在纵向联邦学习案例中是非常关键的一个步骤。目前常用的方法是私有集合交集（Private Set Intersection）、隐私保护记录链接（Privacy-Preserving Record Linkage）和布隆过滤器（Bloom Filter）等。加密和分发：PFM提供在线、离线数据加密和分发解决方案。在离线数据共享解决方案中，来自输入方的数据和模型将使用秘密分享（Secret-Sharing）进行加密，然后通过直接传输或HDFS等分布式存储发送到计算方。而在在线数据共享解决方案中，输入方在训练阶段开始时，在线加密和分发数据、模型，每个计算方只能获得一份数据，因此在半诚实攻击模型中，攻击方无法恢复原始值。PFM拥有与PaddlePaddle相同的运行模式。在训练、推理阶段，用户首先需要选择MPC协议，定义机器学习模型及其训练策略。paddle_fl.mpc中提供了可以操作加密数据的算法，在运行时算法的实例会被创建并被执行器依次运行。在训练过程中，密文的通信支持gloo和grpc两种网络通信模式。安全训练和推理运算完成后，结果将由计算方以加密形式发送给结果方。结果方可以收集加密的结果，使用PFM中的工具对其进行解密，并将明文结果传递给用户。目前数据分享和重构支持离线和在线两种模式。

2.1.2 PaddleFL框架安装和部署

PaddleFL提供了Docker、安装包、编译源代码，以及Kubernetes这几种安装和部署方式。接下来将简单介绍这三种形式的安装过程。

1.通过Docker安装PaddleFL

通过Docker安装PaddleFL是官方推荐的安装方式。只需要通过简单的两行命令即可安装部署，前提是已经安装了Docker环境：

2.通过安装包安装PaddleFL

官方已经提供了编译好的PaddlePaddle飞桨和PaddleFL安装包，可以直接下载安装。

因为PaddleFL使用PaddlePaddle飞桨作为它的底层深度学习框架，所以首先需要下载并安装PaddlePaddle飞桨。

其中，需要将“**”替换为安装环境中的Python版本。如果使用的是Python 3.8，则使用的安装命令如下：

接下来通过pip安装PaddleFL（假设用户已经安装了Python和pip环境）：

以上命令会自动安装Python 3.8对应的PaddleFL。对于其他Python 3环境，则需要下载对应的安装包https://pypi.org/project/paddle-fl/1.1.2/#files并且手动安装。

3.通过编译源代码安装PaddleFL

首先，准备安装环境的搭建，PaddleFL有如下系统和软件要求：

● CentOS 7（64位）或者Ubuntu 16.04。

● Python 3.5/3.6/3.7（64位）或者更高版本。

● pip3 9.0.1+（64位）。

● PaddlePaddle 1.8.5（或者使用PaddlePaddle-GPU 1.8.5来编译GPU版本）。

● Redis 5.0.8（64位）。

● GCC或G++ 8.2.0+。

● cmake 3.15+。

通过以下方式来编译代码：

接着执行编译命令，其中CMAKE_C_COMPILER是gcc的路径，CMAKE_CXX_COMPILER是g++的路径，PYTHON_EXECUTABLE是安装PaddlePaddle的Python二进制文件的路径，PYTHON_INCLUDE_DIRS是文件Python.h的路径，此外，也可以通过设置-D WITH_GPU选择编译GPU版本或CPU版本，比如：

值得注意的是，GPU版本仅在CUDAPlace中运行。如果已经提前安装了PaddlePaddle，只想编译PaddleFL，那么把上面命令中的“-D BUILD_PADDLE_FROM_SOURCE=ON”改成“-D BUILD_PADDLE_FROM_SOURCE=OFF”。

最后安装编译好的安装包。

CPU版本：

GPU版本：

2.1.3 PaddleFL使用示例

接下来通过一个简单的横向联邦学习的示例进一步了解PaddleFL的使用。本小节将使用LEAF中的FEMNIST 作为训练数据集，以一个简单的卷积神经网络作为训练模型，FedAvg作为联邦学习策略，最后通过Docker的方式模拟和运行分布式环境。示例的源代码来自于PaddleFL的官方GitHub仓库 。

首先在fl_master.py（见代码2-1）中定义了联邦学习训练策略（FL-Strategy）、用户定义程序（User-Defined-Program），比如模型、损失函数、训练的超参数等，以及分布式系统配置（Distributed-Config）。然后FL-Job-Generator为服务器（FL-Server）和训练端（FL-Worker）生成任务（FL-Job）。

代码2-1 FL Master示例代码（定义模型、损失函数和训练策略等）

在fl_scheduler.py（见代码2-2）中，注册一个联邦学习服务器（FL-Server）和联邦学习训练端（FL-Worker）。

代码2-2 FL Scheduler示例代码

在fl_server.py（见代码2-3）中，加载并运行联邦学习服务器（FL-Server）的任务。

代码2-3 FL Server示例代码

在fl_trainer.py（见代码2-4）中，加载并运行联邦学习的训练任务。

代码2-4 FL Trainer示例代码 gv07dg4OXZcnSgmoXhWvRF/xVc0/eWhRvbTK5F5iCfZaspyeRdsPEpsIO/+hcybH