隐私计算 (privacy)
Headless 命令 — 不依赖桌面 GUI，直接使用核心包运行。适用于服务器、CI/CD、容器化等无桌面环境。
核心特性
- 🤖 联邦学习: 创建模型、训练轮次、状态管理（Phase 91）
- 🔐 安全多方计算: MPC 计算创建、秘密份额提交（Shamir/Beaver/GMW）
- 🎲 差分隐私: 使用 Laplace/Gaussian/Exponential 机制发布带噪声的数据
- 🔒 同态加密: 在加密数据上执行聚合查询（Paillier/BFV/CKKS）
- 📊 隐私报告: 查看隐私预算消耗和各模块统计
概述
ChainlessChain CLI 隐私计算模块（Phase 91）提供四大隐私保护技术的完整 CLI 接口：联邦学习（FL）、安全多方计算（MPC）、差分隐私（DP）和同态加密（HE）。
联邦学习支持模型创建、轮次训练和生命周期管理。MPC 支持 Shamir 秘密共享、Beaver 三元组和 GMW 协议。差分隐私支持三种噪声机制并追踪隐私预算消耗。同态加密支持在加密数据上执行 sum/product/mean/count 聚合操作。
命令参考
privacy protocols — MPC 协议目录
chainlesschain privacy protocols
chainlesschain privacy protocols --json列出支持的安全多方计算协议：Shamir 秘密共享、Beaver 三元组、GMW 协议。
privacy dp-mechanisms — 差分隐私机制
chainlesschain privacy dp-mechanisms
chainlesschain privacy dp-mechanisms --json列出支持的差分隐私噪声机制：Laplace、Gaussian、Exponential。
privacy he-schemes — 同态加密方案
chainlesschain privacy he-schemes
chainlesschain privacy he-schemes --json列出支持的同态加密方案：Paillier（部分同态）、BFV（整数 FHE）、CKKS（近似 FHE）。
privacy create-model — 创建联邦学习模型
chainlesschain privacy create-model <name>
chainlesschain privacy create-model "sentiment-classifier" -t neural_network -a mlp -r 10 -l 0.01 -p 5
chainlesschain privacy create-model "my-model" --json创建联邦学习模型。-t 模型类型，-a 架构，-r 总训练轮次，-l 学习率，-p 参与方数量。
privacy train — 训练一轮
chainlesschain privacy train <model-id>
chainlesschain privacy train mdl-001 --json对指定模型执行一轮联邦训练。返回当前轮次、准确率和模型状态。
privacy fail-model — 标记模型失败
chainlesschain privacy fail-model <model-id>
chainlesschain privacy fail-model mdl-001 -r "收敛失败"
chainlesschain privacy fail-model mdl-001 --json将模型标记为失败状态。-r 附加失败原因。
privacy show-model — 查看模型详情
chainlesschain privacy show-model <model-id>
chainlesschain privacy show-model mdl-001 --json查看模型完整信息：名称、类型、架构、状态、训练进度、准确率、损失和隐私预算消耗。
privacy models — 列出模型
chainlesschain privacy models
chainlesschain privacy models -s training --limit 10 --json列出联邦学习模型。-s 按状态过滤，--limit 限制数量。
privacy create-computation — 创建 MPC 计算
chainlesschain privacy create-computation <type>
chainlesschain privacy create-computation sum -p shamir -i "alice,bob,charlie" -t 2
chainlesschain privacy create-computation average -p beaver --json创建安全多方计算。<type> 为计算类型，-p 指定协议（shamir/beaver/gmw），-i 参与方 ID（逗号分隔），-t 需要的份额阈值。
privacy submit-share — 提交份额
chainlesschain privacy submit-share <computation-id>
chainlesschain privacy submit-share comp-001 --json向 MPC 计算提交一个秘密份额。返回已接收份额数和当前状态。
privacy show-computation — 查看计算详情
chainlesschain privacy show-computation <computation-id>
chainlesschain privacy show-computation comp-001 --json查看 MPC 计算详情：类型、协议、状态、份额进度、结果哈希和计算耗时。
privacy computations — 列出计算
chainlesschain privacy computations
chainlesschain privacy computations -p shamir -s completed --limit 20 --json列出 MPC 计算。支持按协议 -p 和状态 -s 过滤。
privacy dp-publish — 差分隐私发布
chainlesschain privacy dp-publish -d 42 -e 1.0 -m laplace
chainlesschain privacy dp-publish -d "[1,2,3,4,5]" -e 0.5 --delta 1e-5 -m gaussian -s 1.0
chainlesschain privacy dp-publish -d 100 --json使用差分隐私噪声发布数据。-d 原始数据（数值或 JSON 数组），-e epsilon 参数，--delta delta 参数，-m 噪声机制，-s 灵敏度。返回加噪后的数据和隐私预算消耗。
privacy he-query — 同态加密查询
chainlesschain privacy he-query -d "[10,20,30]" -o sum -s paillier
chainlesschain privacy he-query -d "[1.5,2.5,3.5]" -o mean -s ckks --json
chainlesschain privacy he-query -d "[1,2,3,4]" -o product -s bfv在加密数据上执行聚合查询（模拟 HE）。-d 数据数组（JSON），-o 运算（sum/product/mean/count），-s HE 方案。
privacy report — 隐私报告
chainlesschain privacy report
chainlesschain privacy report --json查看隐私计算综合报告：隐私预算（已用/剩余/上限）、联邦学习统计（模型数/完成数/平均准确率）、MPC 统计（计算数/完成数/待处理数）。
系统架构
用户命令 → privacy.js (Commander) → privacy-computing.js
│
┌──────────────────────────────┼──────────────────────┐
▼ ▼ ▼
联邦学习 (FL) 安全多方计算 (MPC) DP / HE
(create/train/fail) (create/submit-share) (dp-publish/he-query)
▼ ▼ ▼
SQLite (privacy_* 表)关键文件
| 文件 | 职责 |
|---|---|
packages/cli/src/commands/privacy.js | privacy 命令主入口 |
packages/cli/src/lib/privacy-computing.js | 联邦学习、MPC、差分隐私、同态加密核心实现 |
配置参考
| 配置项 | 含义 | 默认 |
|---|---|---|
fl.rounds | 联邦训练轮数 | 5 |
fl.participants | 默认参与方 | 3 |
fl.aggregation | 聚合方式 | fedavg |
dp.epsilon | 差分隐私 ε | 1.0 |
dp.delta | 差分隐私 δ | 1e-5 |
mpc.protocol | MPC 协议 | shamir |
he.scheme | 同态加密方案 | paillier |
性能指标
| 操作 | 典型耗时 | 备注 |
|---|---|---|
create-model | < 50 ms | 本地注册 |
train 单轮 | 依赖数据规模 | 合成路径用于冒烟/回归 |
aggregate | < 100 ms | FedAvg 合并 |
mpc compute | < 200 ms | Shamir 3-方 |
dp-noise | < 20 ms | 一次加噪 |
he encrypt/decrypt | < 100 ms | Paillier 2048-bit |
合成指标仅供管线搭建回归，真实性能取决于底层数值库。
测试覆盖率
__tests__/unit/privacy-computing.test.js — 90 tests覆盖：FL create-model / train / aggregate、MPC Shamir split/combine/compute、差分隐私拉普拉斯 / 高斯加噪、Paillier 加解密与同态加法、隐私预算管理。
安全考虑
- ε/δ 预算：差分隐私一旦耗尽预算应拒绝发布；CLI 会在
dp-status提示剩余预算 - 密钥管理：MPC 份额与 HE 密钥使用 AES-256-GCM 加密存于 SQLite，派生自环境 secret
- 参与方验证：联邦学习默认信任本地参与方列表；跨组织场景需叠加 DID/签名
- 恶意输入防护：
aggregate自带异常值裁剪（clipping）防止投毒 - 算法选择：Paillier 仅支持加法同态，乘法请切换 CKKS/BFV（当前为 roadmap）
使用示例
场景 1：联邦学习
# 创建模型
chainlesschain privacy create-model "classifier" -t neural_network -r 5 -p 3
# 训练多轮
chainlesschain privacy train mdl-001
chainlesschain privacy train mdl-001
chainlesschain privacy train mdl-001
# 查看进度
chainlesschain privacy show-model mdl-001场景 2：安全多方计算
# 创建计算
chainlesschain privacy create-computation sum -p shamir -i "a,b,c" -t 2
# 各方提交份额
chainlesschain privacy submit-share comp-001
chainlesschain privacy submit-share comp-001
# 查看结果
chainlesschain privacy show-computation comp-001场景 3：差分隐私数据发布
# 使用 Laplace 机制发布单个值
chainlesschain privacy dp-publish -d 42 -e 1.0 -m laplace
# 查看隐私预算消耗
chainlesschain privacy report --json故障排查
| 症状 | 可能原因 | 解决方案 |
|---|---|---|
| "budget exceeded" | 隐私预算用尽 | 增大 epsilon 或减少查询次数 |
| "Model not found" | 模型 ID 错误 | 使用 models 查看已有模型 |
| HE 查询结果为 null | 操作或数据无效 | 检查 -d JSON 格式和 -o 操作 |