id="content_views">

第一章：为什么需要联邦学习？

1.1

数据孤岛与隐私困境

行业	数据价值	隐私约束

• 医疗 |

  多中心数据提升诊断准确率

  患者病历严禁外传

• 金融 |

  跨机构行为识别欺诈

  客户交易记录高度敏感

• IoT |

  海量设备数据优化体验

  用户语音/图像本地存储

1.2

联邦学习

传统方案

• 数据集中训练 |

  高风险

  GDPR

• 本地独立训练 |

  差（小样本）

  合规

• 联邦学习 |

  仅交换加密参数

  |

关键突破：打破“隐私-效用”权衡。

第二章：联邦学习架构设计

2.1

整体流程（横向联邦）

技术栈选型

• 联邦框架 |

  Flower（Python）

  PyTorch/TensorFlow

• 加密协议 |

  Secure

  密钥交换

• 差分隐私 |

  Opacus（PyTorch）

  在梯度中添加噪声

• 前端 |

  Vue

  参与方监控仪表盘

为何不用

TensorFlow

应用，且支持异构客户端。

第三章：协调服务器实现（Flask

Flower）

3.1

最少3家医院evaluate_fn=self.get_evaluate_fn())self.config

ServerConfig(num_rounds=rounds)def

start(self):fl.server.start_server(server_address="0.0.0.0:8080",config=self.config,strategy=self.strategy)def

使用公共验证集（如公开医学数据集）def

evaluate_on_public_data(model)return

loss,

start_federated_training():task_id

str(uuid.uuid4())#

服务器threading.Thread(target=lambda:

federated_coordinator.start(),daemon=True).start()#

注册任务db.tasks.insert_one({"task_id":

task_id,

@app.get('/federated/status/')

def

jsonify(task)

注意：生产环境应使用

Celery

threading。

---

第四章：客户端实现（医院/银行

SDK）

4.1

HospitalClient(fl.client.NumPyClient):def

__init__(self,

self.model.state_dict().items()]def

set_parameters(self,

zip(self.model.state_dict().keys(),

{k:

params_dict}self.model.load_state_dict(state_dict,

strict=True)def

config):self.set_parameters(parameters)#

启用差分隐私privacy_engine

privacy_engine.make_private(module=self.model,optimizer=torch.optim.SGD(self.model.parameters(),

lr=0.01),data_loader=self.data_loader,noise_multiplier=1.2,max_grad_norm=1.0,)#

optimizer,

config):self.set_parameters(parameters)loss,

accuracy

安全聚合（SecAgg）集成

• 原理：客户端两两建立密钥，上传掩码后的参数，服务器解掩码后得和
• Flower

  支持：通过 Strategy 插件实现（需自定义）

super().configure_fit(server_round,

parameters,

instructions:ins.config["public_keys"]

self.get_client_public_keys()return

instructionsdef

ndarrays_to_parameters(decrypted_params),

{}

简化方案：初期可先用

TLS

作为二期优化。

---

第五章：隐私增强技术

5.1

差分隐私（DP）

• 核心思想：在梯度中添加噪声，使单个样本无法被推断
• 关键参数：

  • ε（epsilon）：隐私预算（越小越安全，通常

    1–10）

  • δ（delta）：失败概率（通常

    1e-5）

accountant.get_privacy_spent(delta=1e-5)

5.2

同态加密（可选）

• 适用场景：对

  SecAgg

  不信任时

• 库推荐：Microsoft

  SEAL（C++）或

  封装）

• 代价：计算开销大，仅适合小模型

---

第六章：场景实战

6.1

医疗联合诊断（横向联邦）

• 数据：5

  家医院各

  CT（标签：良性/恶性）

• 模型：ResNet-18
• 结果：

  • 独立训练平均准确率：78%
  • 联邦学习准确率：89%（接近集中式

    never

    医院

6.2

金融反欺诈（纵向联邦）

• 参与方：

  • 银行

    A：交易金额、频率

  • 电商

B：商品类别、收货地址