联邦学习安全与隐私保护实务手册.docxVIP

联邦学习安全与隐私保护实务手册

前言

随着跨机构数据协同需求的快速增长，联邦学习作为实现“数据可用不可见”的核心技术路径，已经在金融风控、医疗科研、政务服务、智慧城市等多个领域落地应用。但在实际项目推进过程中，不少机构存在对联邦学习安全边界认知模糊、防护措施配置不到位、合规流程缺失等问题，2023年国内公开通报的联邦学习相关安全事件共7起，其中6起是因为梯度未加密传输、ID对齐流程不合规导致的用户特征泄露，涉及用户总量超过37万条，对应涉事机构均被处以最高800万元的行政罚款。本手册完全依据国内现行生效的法律法规、国家标准编制，覆盖联邦学习项目从立项、部署、运行到下线销毁的全流程所有实操要求，所有参数、流程、时限均给出明确可落地的执行标准，相关从业人员可以直接参照开展日常工作。

术语与定义

本手册涉及的所有核心术语统一按照国家标准给出明确释义，所有落地场景中相关表述均以此为准：

1.联邦学习：指两个及以上参与方在不向外部传输本地原始数据的前提下，通过加密中间交互数据的方式协同完成机器学习模型训练、推理的分布式计算框架，核心目标是打破数据孤岛的同时保障各参与方的数据控制权。

2.横向联邦学习：指适用场景为多个参与方数据特征重叠度高于70%、用户样本ID重叠度低于30%的联邦学习模式，常见于不同区域的同类型机构联合建模场景。

3.纵向联邦学习：指适用场景为多个参与方用户样本ID重