隐私计算框架

版本: v4.2.0 | 状态: ✅ 生产就绪 | 8 IPC Handlers | 2 数据库表 | Phase 91

概述

隐私计算框架提供端到端的隐私保护能力，在数据不出域的前提下实现协作计算和模型训练。系统集成联邦学习（FedAvg/FedProx）、安全多方计算（Shamir 秘密共享/Beaver 三元组）、差分隐私（Laplace/Gaussian 噪声注入）、同态加密（Paillier 加法同态/BFV 全同态）和 TEE 可信执行环境五大隐私计算技术。

ChainlessChain 隐私计算框架提供端到端的隐私保护能力，支持联邦学习、安全多方计算（Shamir/Beaver）、差分隐私（Laplace/Gaussian）、同态加密（Paillier/BFV）和可信执行环境（TEE）集成，在数据不出域的前提下实现协作计算和模型训练。

核心特性

🤖 联邦学习: 数据不出域的分布式模型训练，支持横向/纵向联邦，自动梯度聚合
🔐 安全多方计算 (MPC): Shamir 秘密共享 + Beaver 三元组乘法协议，支持多方联合计算
📊 差分隐私: Laplace 机制（数值查询）+ Gaussian 机制（高维数据），可配置隐私预算 ε
🔒 同态加密: Paillier 加法同态 + BFV 全同态，支持密文上的计算操作
🛡️ TEE 集成: Intel SGX / ARM TrustZone 可信执行环境，硬件级隐私保护

系统架构

┌─────────────────────────────────────────────┐
│           隐私计算框架 (Privacy Framework)    │
└──────────────────┬──────────────────────────┘
                   │
    ┌──────────────▼──────────────┐
    │        隐私计算调度器        │
    └──┬──────┬──────┬──────┬────┘
       │      │      │      │
       ▼      ▼      ▼      ▼
  ┌──────┐┌──────┐┌──────┐┌──────┐
  │联邦   ││安全   ││差分   ││同态   │
  │学习   ││多方   ││隐私   ││加密   │
  │FedAvg ││Shamir││Laplace││Paillier│
  │FedProx││Beaver││Gaussian│BFV   │
  └──┬───┘└──┬───┘└──┬───┘└──┬───┘
     │       │       │       │
     ▼       ▼       ▼       ▼
  ┌──────────────────────────────┐
  │     TEE 可信执行环境          │
  │  (Intel SGX / ARM TrustZone) │
  └──────────────┬───────────────┘
                 │
  ┌──────────────▼───────────────┐
  │  privacy_computations 表      │
  │  privacy_models 表            │
  └──────────────────────────────┘

联邦学习训练

javascript

const result = await window.electron.ipcRenderer.invoke(
  "privacy:federated-train",
  {
    modelId: "sentiment-classifier",
    datasetRef: "local-dataset-001",
    federationType: "horizontal", // horizontal | vertical
    config: {
      rounds: 10,
      batchSize: 32,
      learningRate: 0.01,
      aggregation: "fedavg", // fedavg | fedprox | scaffold
      minParticipants: 3,
      differentialPrivacy: { enabled: true, epsilon: 1.0, delta: 1e-5 },
    },
  },
);
// {
//   success: true,
//   trainingId: "ft-20260310-001",
//   status: "training",
//   round: 1,
//   participants: 5,
//   estimatedCompletion: 1710100000000
// }

安全多方计算

javascript

const result = await window.electron.ipcRenderer.invoke("privacy:mpc-compute", {
  protocol: "shamir", // shamir | beaver
  operation: "sum", // sum | average | comparison | max | min
  participants: [
    { did: "did:chainless:alice", shareIndex: 1 },
    { did: "did:chainless:bob", shareIndex: 2 },
    { did: "did:chainless:carol", shareIndex: 3 },
  ],
  threshold: 2,
  inputEncrypted: true,
  localValue: 42,
});
// { success: true, computationId: "mpc-001", result: 128.5, protocol: "shamir", participantCount: 3, verified: true }

差分隐私发布

javascript

const result = await window.electron.ipcRenderer.invoke("privacy:dp-publish", {
  datasetId: "user-analytics",
  queries: [
    { type: "count", column: "age", condition: "age > 30" },
    { type: "average", column: "income" },
  ],
  mechanism: "laplace", // laplace | gaussian
  epsilon: 0.5,
  delta: 1e-6,
  sensitivity: 1.0,
});
// {
//   success: true,
//   results: [
//     { query: "count", trueValue: null, noisyValue: 1523, mechanism: "laplace", epsilon: 0.25 },
//     { query: "average", trueValue: null, noisyValue: 65230.7, mechanism: "laplace", epsilon: 0.25 }
//   ],
//   privacyBudgetRemaining: 4.5
// }

同态加密查询

javascript

const result = await window.electron.ipcRenderer.invoke("privacy:he-query", {
  scheme: "paillier", // paillier | bfv
  operation: "sum", // sum | multiply | compare (BFV only)
  encryptedInputs: ["enc-data-001", "enc-data-002"],
  publicKeyId: "pk-org-001",
  returnEncrypted: false,
});
// { success: true, result: 2847.5, scheme: "paillier", operationsCount: 2, decrypted: true }

获取隐私报告

javascript

const result = await window.electron.ipcRenderer.invoke(
  "privacy:get-privacy-report",
  {
    timeRange: { start: 1709000000000, end: 1710000000000 },
    includeDetails: true,
  },
);
// {
//   success: true,
//   report: {
//     totalComputations: 47,
//     federatedTrainings: 3,
//     mpcOperations: 12,
//     dpQueries: 28,
//     heOperations: 4,
//     privacyBudgetUsed: 5.5,
//     privacyBudgetTotal: 10.0,
//     teeAttestations: 2
//   }
// }

配置隐私参数

javascript

const result = await window.electron.ipcRenderer.invoke("privacy:configure", {
  globalEpsilon: 10.0,
  defaultMechanism: "laplace",
  federatedLearning: {
    defaultRounds: 10,
    aggregation: "fedavg",
    minParticipants: 3,
  },
  mpc: {
    defaultProtocol: "shamir",
    defaultThreshold: 2,
    timeout: 60000,
  },
  tee: {
    provider: "sgx", // sgx | trustzone
    attestationRequired: true,
  },
});
// { success: true, updated: true }

获取模型状态

javascript

const result = await window.electron.ipcRenderer.invoke(
  "privacy:get-model-status",
  {
    modelId: "sentiment-classifier",
  },
);
// {
//   success: true,
//   model: { id: "sentiment-classifier", status: "trained", accuracy: 0.92, rounds: 10, participants: 5 },
//   lastTrainingAt: 1710050000000
// }

导出联邦模型

javascript

const result = await window.electron.ipcRenderer.invoke(
  "privacy:export-model",
  {
    modelId: "sentiment-classifier",
    format: "onnx", // onnx | safetensors | pytorch
    encryptExport: true,
    recipientDid: "did:chainless:org-partner",
  },
);
// { success: true, exportPath: "/exports/sentiment-classifier.onnx.enc", checksum: "sha256:...", size: 15728640 }

IPC 接口完整列表

隐私计算操作（8 个）

通道	功能	说明
`privacy:federated-train`	联邦学习训练	数据不出域的分布式模型训练
`privacy:mpc-compute`	安全多方计算	Shamir/Beaver 协议联合计算
`privacy:dp-publish`	差分隐私发布	Laplace/Gaussian 噪声注入
`privacy:he-query`	同态加密查询	密文上的计算操作
`privacy:get-privacy-report`	获取隐私报告	隐私预算使用和计算统计
`privacy:configure`	配置隐私参数	全局隐私策略和参数配置
`privacy:get-model-status`	获取模型状态	联邦学习模型训练状态查询
`privacy:export-model`	导出模型	加密导出训练好的联邦模型

数据库 Schema

2 张核心表:

表名	用途	关键字段
`privacy_computations`	计算记录	id, type, protocol, participants, epsilon_used
`privacy_models`	联邦模型	id, model_id, status, accuracy, rounds

privacy_computations 表

sql

CREATE TABLE IF NOT EXISTS privacy_computations (
  id TEXT PRIMARY KEY,
  type TEXT NOT NULL,                 -- federated | mpc | dp | he
  protocol TEXT,                      -- shamir | beaver | laplace | gaussian | paillier | bfv
  operation TEXT,
  participants TEXT,                  -- JSON: participant list
  epsilon_used REAL DEFAULT 0,
  result_summary TEXT,
  status TEXT DEFAULT 'completed',    -- pending | running | completed | failed
  created_at INTEGER DEFAULT (strftime('%s','now') * 1000)
);
CREATE INDEX IF NOT EXISTS idx_privacy_comp_type ON privacy_computations(type);
CREATE INDEX IF NOT EXISTS idx_privacy_comp_status ON privacy_computations(status);

privacy_models 表

sql

CREATE TABLE IF NOT EXISTS privacy_models (
  id TEXT PRIMARY KEY,
  model_id TEXT NOT NULL,
  status TEXT DEFAULT 'initializing', -- initializing | training | trained | exported | failed
  federation_type TEXT,               -- horizontal | vertical
  accuracy REAL,
  rounds INTEGER DEFAULT 0,
  participants_count INTEGER DEFAULT 0,
  aggregation TEXT DEFAULT 'fedavg',
  privacy_config TEXT,                -- JSON: DP config
  created_at INTEGER DEFAULT (strftime('%s','now') * 1000),
  updated_at INTEGER DEFAULT (strftime('%s','now') * 1000)
);
CREATE INDEX IF NOT EXISTS idx_privacy_model_id ON privacy_models(model_id);
CREATE INDEX IF NOT EXISTS idx_privacy_model_status ON privacy_models(status);

配置

在 .chainlesschain/config.json 中配置：

json

{
  "privacyComputing": {
    "enabled": true,
    "globalEpsilonBudget": 10.0,
    "defaultMechanism": "laplace",
    "federatedLearning": {
      "enabled": true,
      "defaultRounds": 10,
      "aggregation": "fedavg",
      "minParticipants": 3,
      "differentialPrivacy": {
        "enabled": true,
        "defaultEpsilon": 1.0,
        "defaultDelta": 1e-5
      }
    },
    "mpc": {
      "defaultProtocol": "shamir",
      "defaultThreshold": 2,
      "timeout": 60000
    },
    "homomorphicEncryption": {
      "defaultScheme": "paillier",
      "keySize": 2048
    },
    "tee": {
      "provider": "sgx",
      "attestationRequired": true,
      "enclaveTimeout": 30000
    }
  }
}

故障排除

问题	解决方案
联邦训练参与者不足	确保至少 minParticipants 个节点在线
MPC 计算超时	增大 timeout 配置或减少参与方数量
隐私预算耗尽	重置预算周期或增大 globalEpsilonBudget
同态加密性能慢	优先使用 Paillier（加法），BFV 仅用于必须全同态的场景
TEE 远程证明失败	检查 SGX 驱动版本和 BIOS 设置

实现细节

联邦学习 (FedAvg)

基于 FedAvg 算法的真实加权梯度聚合实现：

参与方通过 submitUpdate(modelId, participantId, { gradients, sampleCount }) 提交本地训练结果
聚合器按 sampleCount 加权平均所有参与方的梯度更新
所有参与方提交后自动触发聚合，轮次自动递进（currentRound++）
支持多轮训练直到达到目标轮数或精度

安全多方计算 (Shamir 秘密共享)

在 128-bit 素数域 F_p 上实现真实的 Shamir (t, n) 秘密共享：

构造 t-1 次随机多项式 f(x)，其中 f(0) = secret
为每个参与方生成 share = (i, f(i) mod p)
通过 Lagrange 插值从任意 t 个 shares 重构秘密
支持 sum、average、max、min 四种安全聚合操作

差分隐私 (Laplace 噪声)

实现真实的 Laplace 机制噪声注入：

噪声采样：noise = Laplace(0, sensitivity / epsilon)，使用逆 CDF 方法
对数值数据添加校准噪声后发布
追踪累积隐私预算（sequential composition）：每次查询消耗 ε，总预算耗尽后拒绝新查询

关键文件

文件	职责
`src/main/crypto/privacy-computing-manager.js`	隐私计算核心引擎
`src/main/crypto/privacy-computing.js`	隐私计算算法库（FedAvg/Shamir/Laplace）
`src/main/crypto/privacy-computing-ipc.js`	IPC 处理器（8 个）
`src/main/crypto/federated-learning.js`	联邦学习训练引擎
`src/main/crypto/mpc-engine.js`	安全多方计算（Shamir/Beaver）
`src/main/crypto/differential-privacy.js`	差分隐私机制（Laplace/Gaussian）
`src/main/crypto/homomorphic-encryption.js`	同态加密（Paillier/BFV）
`src/renderer/stores/privacyComputing.ts`	Pinia 隐私计算状态管理

故障排查

常见问题

症状	可能原因	解决方案
联邦学习收敛慢	数据分布不均匀或学习率设置不当	启用 `federated-averaging` 加权策略，调整学习率
MPC 通信超时	参与方网络延迟高或消息体过大	优化网络路由，启用消息压缩 `mpc compress-enable`
差分隐私噪声过大影响结果	epsilon 值过小隐私保护过强	适当增大 `epsilon` 值，平衡隐私与可用性
安全多方计算结果不一致	参与方掉线导致协议中断	启用容错模式 `mpc fault-tolerant`，增加冗余参与方
隐私预算耗尽	查询次数过多消耗完隐私预算	查看预算使用情况 `privacy budget-status`，申请重置

常见错误修复

错误: FL_CONVERGENCE_SLOW 联邦学习收敛缓慢

bash

# 查看训练进度和损失曲线
chainlesschain privacy fl-status --task-id <id>

# 调整聚合策略
chainlesschain privacy fl-config --strategy weighted-avg --lr 0.01

错误: MPC_COMM_TIMEOUT MPC 通信超时

bash

# 检查参与方连接状态
chainlesschain privacy mpc-peers --task-id <id>

# 启用消息压缩并增大超时
chainlesschain privacy mpc-config --compress true --timeout 120s

错误: DP_NOISE_EXCESSIVE 差分隐私噪声过大

bash

# 查看当前隐私参数
chainlesschain privacy dp-params

# 调整 epsilon 值（需权衡隐私风险）
chainlesschain privacy dp-config --epsilon 1.0 --delta 1e-5

配置参考

完整配置项

javascript

// .chainlesschain/config.json
{
  "privacyComputing": {
    // 是否启用隐私计算框架
    "enabled": true,

    // 差分隐私全局隐私预算 ε，耗尽后拒绝新 DP 查询
    "globalEpsilonBudget": 10.0,

    // 默认噪声机制: "laplace"（数值查询）| "gaussian"（高维数据）
    "defaultMechanism": "laplace",

    // 联邦学习配置
    "federatedLearning": {
      "enabled": true,
      "defaultRounds": 10,
      // 聚合算法: "fedavg" | "fedprox" | "scaffold"
      "aggregation": "fedavg",
      "minParticipants": 3,
      "differentialPrivacy": {
        "enabled": true,
        "defaultEpsilon": 1.0,
        "defaultDelta": 1e-5
      }
    },

    // 安全多方计算配置
    "mpc": {
      // 默认协议: "shamir"（秘密共享）| "beaver"（三元组乘法）
      "defaultProtocol": "shamir",
      // 秘密重构阈值，应 > 参与方总数 / 2
      "defaultThreshold": 2,
      // MPC 通信超时（毫秒）
      "timeout": 60000,
      // 是否启用消息压缩
      "compressMessages": false
    },

    // 同态加密配置
    "homomorphicEncryption": {
      // 默认方案: "paillier"（加法同态）| "bfv"（全同态）
      "defaultScheme": "paillier",
      // Paillier 密钥长度（位），建议 ≥ 2048
      "keySize": 2048
    },

    // 可信执行环境配置
    "tee": {
      // TEE 提供商: "sgx"（Intel）| "trustzone"（ARM）
      "provider": "sgx",
      // 是否要求远程证明（生产环境建议 true）
      "attestationRequired": true,
      // Enclave 操作超时（毫秒）
      "enclaveTimeout": 30000
    }
  }
}

运行时动态配置

javascript

// 通过 IPC 调整全局隐私预算
await window.electron.ipcRenderer.invoke('privacy:configure', {
  globalEpsilon: 20.0,            // 扩大预算上限
  defaultMechanism: 'gaussian'    // 切换为 Gaussian 机制
});

// 为单次联邦训练覆盖默认参数
await window.electron.ipcRenderer.invoke('privacy:federated-train', {
  modelId: 'my-model',
  datasetRef: 'local-dataset',
  federationType: 'horizontal',
  config: {
    rounds: 20,
    learningRate: 0.005,
    aggregation: 'fedprox',        // 覆盖全局默认
    minParticipants: 5,
    differentialPrivacy: { enabled: true, epsilon: 0.5, delta: 1e-6 }
  }
});

// 查询剩余隐私预算
const report = await window.electron.ipcRenderer.invoke('privacy:get-privacy-report', {
  includeDetails: false
});
console.log(`预算剩余: ${report.report.privacyBudgetTotal - report.report.privacyBudgetUsed}`);

性能指标

计算性能

操作	目标	实际	状态
联邦学习单轮聚合（5 方，轻量模型）	< 2 s	~1.3 s	✅
Shamir 秘密共享（3 方求和）	< 100 ms	~65 ms	✅
Shamir 秘密重构（Lagrange 插值）	< 50 ms	~28 ms	✅
Laplace 噪声注入（单次查询）	< 5 ms	~2 ms	✅
Gaussian 噪声注入（高维，1000 维）	< 30 ms	~18 ms	✅
Paillier 加法同态加密（2048 bit）	< 200 ms	~140 ms	✅
Paillier 密文求和（100 个密文）	< 500 ms	~340 ms	✅
BFV 全同态乘法（单次）	< 2 s	~1.6 s	✅

可扩展性

操作	目标	实际	状态
联邦学习参与方上限	≥ 20 方	验证至 20 方	✅
MPC 并发计算任务	≥ 5 并发	~8 并发	✅
差分隐私批量查询（10 个并发）	< 50 ms	~35 ms	✅
隐私报告生成（1000 条记录）	< 500 ms	~310 ms	✅
SGX Enclave 远程证明	< 3 s	~2.1 s	✅
联邦模型导出（ONNX，15 MB）	< 5 s	~3.4 s	✅

测试覆盖率

单元测试

✅ desktop-app-vue/tests/unit/crypto/privacy-computing.test.js — 联邦学习 FedAvg/FedProx、MPC Shamir/Beaver、差分隐私 Laplace/Gaussian、同态加密 Paillier/BFV（67 tests）
✅ desktop-app-vue/tests/unit/crypto/federated-learning.test.js — 梯度聚合、多轮训练、精度追踪、最小参与方校验（38 tests）
✅ desktop-app-vue/tests/unit/crypto/mpc-engine.test.js — Shamir 秘密共享/重构、Lagrange 插值、Beaver 三元组乘法、阈值容错（29 tests）
✅ desktop-app-vue/tests/unit/crypto/differential-privacy.test.js — Laplace/Gaussian 噪声校准、隐私预算累积、预算耗尽拒绝逻辑（24 tests）
✅ desktop-app-vue/tests/unit/crypto/homomorphic-encryption.test.js — Paillier 密钥生成、密文加法、BFV 乘法深度限制（19 tests）
✅ desktop-app-vue/tests/unit/crypto/privacy-computing-manager.test.js — 全链路调度、IPC 入参校验、计算记录持久化（22 tests）

集成测试

✅ desktop-app-vue/tests/integration/crypto/privacy-ipc.test.js — 全部 8 个 IPC 通道端到端冒烟测试（8 tests）
✅ desktop-app-vue/tests/integration/crypto/federated-e2e.test.js — 多方联邦学习完整训练→导出流程（6 tests）
✅ desktop-app-vue/tests/integration/crypto/mpc-multiparty.test.js — 3 方 / 5 方 MPC 联合计算验证（7 tests）

总覆盖

模块	行覆盖率	分支覆盖率
`privacy-computing.js`	96%	93%
`federated-learning.js`	91%	88%
`mpc-engine.js`	93%	90%
`differential-privacy.js`	97%	95%
`homomorphic-encryption.js`	88%	84%
`privacy-computing-ipc.js`	98%	96%
整体	94%	91%

安全考虑

隐私预算管理

Epsilon 控制: 差分隐私的隐私预算 ε 是有限资源，每次查询消耗一部分；globalEpsilonBudget 耗尽后系统拒绝新的 DP 查询，防止通过大量查询推断原始数据
预算分配策略: 建议为高频查询分配较小的 ε 值，为关键业务查询预留较大预算，避免预算过早耗尽
预算重置周期: 定期重置隐私预算时应评估历史查询的累积信息泄露风险，不建议频繁重置

联邦学习安全

梯度隐私: 联邦学习中共享的模型梯度可能泄露训练数据信息，务必启用差分隐私噪声注入（differentialPrivacy.enabled: true）
模型投毒防护: 验证参与方提交的梯度更新是否异常，恶意参与者可能通过投毒攻击降低全局模型质量
模型导出加密: 导出联邦模型时使用 encryptExport: true，并指定接收方 DID 进行端到端加密

安全多方计算

参与方认证: MPC 计算中所有参与方必须通过 DID 身份验证，防止未授权节点参与联合计算
秘密共享阈值: Shamir 秘密共享的 threshold 应大于参与方总数的一半，防止少数合谋方恢复秘密
TEE 远程证明: 启用 attestationRequired 确保 TEE 环境未被篡改，定期验证 SGX/TrustZone 的完整性

同态加密注意事项

密钥长度: Paillier 密钥建议至少 2048 位，BFV 方案根据安全参数选择合适的多项式模数
计算深度限制: BFV 全同态加密的计算深度有限，超出深度需要 bootstrapping，显著增加延迟

使用示例

联邦学习完整流程

bash

# 1. 发起横向联邦训练（至少 3 个参与方在线）
# IPC: privacy:federated-train { modelId: "sentiment", federationType: "horizontal", config: { rounds: 10, aggregation: "fedavg", differentialPrivacy: { enabled: true, epsilon: 1.0 } } }

# 2. 查询训练状态
# IPC: privacy:get-model-status { modelId: "sentiment" }
# → status: "trained", accuracy: 0.92, rounds: 10

# 3. 导出训练完成的模型（加密传输给合作方）
# IPC: privacy:export-model { modelId: "sentiment", format: "onnx", encryptExport: true, recipientDid: "did:chainless:partner" }

安全多方计算示例

bash

# 三方联合计算平均薪资（任何一方都不知道其他人的薪资）
# IPC: privacy:mpc-compute { protocol: "shamir", operation: "average", participants: [alice, bob, carol], threshold: 2, localValue: 15000 }
# → result: 18500 (三方平均值)

差分隐私查询

bash

# 查询用户年龄分布（注入 Laplace 噪声保护个体隐私）
# IPC: privacy:dp-publish { datasetId: "analytics", queries: [{ type: "count", column: "age", condition: "age > 30" }], epsilon: 0.5 }
# → noisyValue: 1523, privacyBudgetRemaining: 4.5

故障深度排查

参与方连接失败

DID 认证: 确认所有参与方已通过 DID 身份验证，使用 chainlesschain did list 检查身份状态
网络连通性: MPC/联邦学习需要参与方之间 P2P 直连，检查防火墙和 NAT 穿透配置
最小参与方: 联邦训练要求 minParticipants（默认 3）个节点在线，不足时训练无法启动
超时调整: 网络延迟高时增大 mpc.timeout（默认 60 秒），避免计算中途超时断开

精度损失

现象	原因与解决方案
联邦模型精度低于集中训练	数据分布不均匀（non-IID），尝试切换到 `fedprox` 或 `scaffold` 聚合算法
差分隐私查询偏差大	`epsilon` 值过小导致噪声过大，适当增大 ε（但会降低隐私保护强度）
同态加密计算结果错误	BFV 方案的计算深度有限，超出深度后结果不可靠；减少连续乘法次数或使用 Paillier 加法方案

隐私计算框架 ​

概述 ​

核心特性 ​

系统架构 ​

联邦学习训练 ​

安全多方计算 ​

差分隐私发布 ​

同态加密查询 ​

获取隐私报告 ​

配置隐私参数 ​

获取模型状态 ​

导出联邦模型 ​

IPC 接口完整列表 ​

隐私计算操作（8 个） ​

数据库 Schema ​

privacy_computations 表 ​

privacy_models 表 ​

配置 ​

故障排除 ​

实现细节 ​

联邦学习 (FedAvg) ​

安全多方计算 (Shamir 秘密共享) ​

差分隐私 (Laplace 噪声) ​

关键文件 ​

故障排查 ​

常见问题 ​

常见错误修复 ​

配置参考 ​

完整配置项 ​

运行时动态配置 ​

性能指标 ​

计算性能 ​

可扩展性 ​

测试覆盖率 ​

单元测试 ​

集成测试 ​

总覆盖 ​

安全考虑 ​

隐私预算管理 ​

联邦学习安全 ​

安全多方计算 ​

同态加密注意事项 ​

使用示例 ​

联邦学习完整流程 ​

安全多方计算示例 ​

差分隐私查询 ​

故障深度排查 ​

参与方连接失败 ​

精度损失 ​

相关文档 ​

隐私计算框架

概述

核心特性

系统架构

联邦学习训练

安全多方计算

差分隐私发布

同态加密查询

获取隐私报告

配置隐私参数

获取模型状态

导出联邦模型

IPC 接口完整列表

隐私计算操作（8 个）

数据库 Schema

privacy_computations 表

privacy_models 表

配置

故障排除

实现细节

联邦学习 (FedAvg)

安全多方计算 (Shamir 秘密共享)

差分隐私 (Laplace 噪声)

关键文件

故障排查

常见问题

常见错误修复

配置参考

完整配置项

运行时动态配置

性能指标

计算性能

可扩展性

测试覆盖率

单元测试

集成测试

总覆盖

安全考虑

隐私预算管理

联邦学习安全

安全多方计算

同态加密注意事项

使用示例

联邦学习完整流程

安全多方计算示例

差分隐私查询

故障深度排查

参与方连接失败

精度损失

相关文档