基于 NVIDIA FLARE 的 CUDA 加速同态加密安全联邊 XGBoost
密码学与安全
2025-04-08 v1 分布式、并行与集群计算
新兴技术
摘要
联邦学习 (Federated Learning) 使跨去中心化数据集的协作模型训练成为可能。NVIDIA FLARE 的联邦 XGBoost 将流行的 XGBoost 算法扩展到垂直和水平联邦设置，促进了无需直接数据共享的联合模型开发。然而，初始实现假设在共享 XGBoost 算法生成的中间梯度统计信息时具有相互信任，留下了对诚实但好奇的对手潜在漏洞。本工作引入“安全联邦 XGBoost”，以缓解这些风险的高效解决方案。我们为垂直和水平场景实现安全联邦算法，解决不同的数据安全模式。为保护消息，我们利用同态加密 (Homomorphic Encryption, HE) 在训练期间保护敏感信息。一种新颖的插件和处理器接口无缝将 HE 集成到联邦 XGBoost 管道中，实现对密文的安全聚合。我们呈现了基于 CPU 和 CUDA 加速的 HE 插件，显示出显著的性能提升。值得注意的是，我们的 CUDA 加速 HE 实现在垂直联邦 XGBoost 中相对于现有第三方解决方案实现了最高可达 30 倍的加速。通过保障关键计算步骤的安全并加密敏感资产，安全联邦 XGBoost 提供了稳健的数据隐私保证，强化了联邦学习的根本优势，同时保持高性能。
关键词
引用
@article{arxiv.2504.03909,
title = {Secure Federated XGBoost with CUDA-accelerated Homomorphic Encryption via NVIDIA FLARE},
author = {Ziyue Xu and Yuan-Ting Hsieh and Zhihong Zhang and Holger R. Roth and Chester Chen and Yan Cheng and Andrew Feng},
journal= {arXiv preprint arXiv:2504.03909},
year = {2025}
}