火山引擎 Jeddak 联邦学习平台通过中国信通院联邦学习安全专项权威评测

2021 年 12 月 21 日，由中国信息通信研究院（简称"中国信通院"）等单位主办的数据安全产业峰会成功召开。在会议现场，中国信通院公布了第十三批大数据产品能力测评结果，字节跳动安全研究团队推出的 "火山引擎 Jeddak 联邦学习平台"，作为参加评测的六个联邦学习产品之一，通过了中国信通院的"联邦学习安全专项评测"。

"联邦学习安全专项评测"以中国信通院《基于联邦学习的隐私计算产品安全测试标准》为依据，从算法安全、AI 安全、密码安全、通信安全、存储安全、软件安全等六大方面对考核平台进行严格详尽的测评。该测评对于评判和规范隐私计算商业产品的服务安全水平、降低隐私泄漏风险等，具有重要指导意义。火山引擎 Jeddak 联邦学习平台成功通过了专项 50 余项评测，取得了全部通过的优秀成绩。

Jeddak 项目由字节跳动安全研究团队研发，旨在打造面向数据完整生命周期的数据安全与隐私保护平台。Jeddak 联邦学习平台作为旗下重要产品之一，融合了多方安全计算 MPC、全同态加密 FHE、差分隐私 DP、可信计算 TEE 等多种技术，辅以高性能服务支持架构，针对企业互通、云-端协同等场景提供了安全、可靠、高效的联邦数据共享方案，满足数据"可用不可见"的需求，助力实现数据价值的发挥。平台集成了丰富的数据处理、特征工程以及多种联邦学习算法，支持可视化界面建模，提升了用户建模体验。

火山引擎 Jeddak 联邦学习平台注重前沿技术的融通创新、致力攻克本领域安全与能效的主要瓶颈，立足先进技术突破制约联邦学习发展的关键阻碍。比如：面向中间结果汇聚的隐私保护，结合 MPC 技术实现数据分片的匿名化，从而避免各参与方的数据泄露；在数据样本对齐阶段，跨越传统密码学解决手段，转而应用软硬结合的 TEE 技术和 OPRF 等最新方案，得以适配不同场景需求，安全高效地实现隐私数据求交；在数据密文计算阶段，突破了常规采用的 Paillier 半同态加密方式，创新研发基于全同态加密 FHE、且支持 GPU 加速的全新解决方案，在速度和带宽等能效方面带来数量级的提升；在联合建模阶段，研发了基于 DP 的伪随机置换决策树算法，以及消息压缩的高效同态加密方案，使得建模整体性能提升了 10 至 100 倍；最后，在数据交互和发布过程中，亦充分利用 DP 技术防止用户隐私泄漏。

当前，火山引擎 Jeddak 联邦学习平台在不同业务中得到了应用。例如在某电商场景中，平台自研的基于分布式架构差分隐私化的分裂神经网络模型，在保障数据安全前提下，在一小时内完成了千万级用户、万级稀疏特征维度、十亿级参数规模的训练迭代，最终模型为客户带来了 10% 的 ROI 提升。平台同时支持私有化部署方式，能够为政务、能源、医疗等行业的联合分析、联合建模、共享发布等需求提供完善的支持。

字节跳动安全研究团队致力于隐私计算领域的前沿技术研究与应用，同时和南京大学、德国慕尼黑工业大学、南方科技大学等顶尖研究机构保持密切的产学研交流合作，共同探索数据安全与隐私保护领域的先进技术与实践，不断完善和打磨产品服务，为推动满足安全与隐私合规的数据流通、促进数据作为生产要素充分发挥价值而持续贡献力量。