2025隐私计算实训营学习笔记 第六讲 基于官方文档的示例验证

[CDra_90n]

一、课程目标与背景

本课程基于 SecretFlow 官方文档与实验代码，帮助深入理解：如何使用 Supernote 平台和 SBU（隐私保护计算引擎）；如何基于官方 JAX 示例实现可即时编译、可安全执行的机器学习任务；如何用明文 vs 密文对比结果验证隐私计算正确性。

应用场景包括：简单算子验证（矩阵加法、欧式距离、多边形面积）；逻辑回归在纵向分布数据上的联合训练。

二、平台工具与环境

Supernote 云端实验环境（开箱即用，无需本地配置）；也支持 Docker 镜像本地部署（适合进阶用户）。

运行环境：SecretFlow 1.9.0-beta，Python 3.10，内置 Alice、Bob 节点。

云端环境极大降低了入门门槛，适合教学与快速验证；而 Docker 部署为未来企业落地提供了灵活性。

三、SBU 架构与编译原理

 SBU 架构：三层：前端 → 编译器 → 运行时；支持 TensorFlow、JAX、PyTorch 编写代码，通过中间 IR 编译为 MPC 执行代码；核心运行时专门跑 PPHLO 程序，提供可证明的安全计算。

这种模块化分层架构大大提升了适配性，让主流 AI 框架能快速接入隐私计算生态。

四、实验 1：JAX 基础算子验证

实验内容：用 JAX 写简单算子，如：simple_id（矩阵 + 标量），euclidean_distance（欧式距离），polygon_area（多边形面积），检查这些程序是否支持即时编译（SLA → SBU 运行时）。分别用明文、密文执行，观察输出一致性。

五、实验 2：逻辑回归在纵向数据上的训练

使用数据：breast cancer 数据集（30个特征，判断良恶性肿瘤）。

实验步骤：

1.加载并预处理数据（min-max 归一化，train/test 划分）。

2.模拟纵向分割：

• Alice：前15维特征。
• Bob：后15维特征 + 标签。

3.定义模型（逻辑回归），设定超参数。

4.分别用明文、密文训练：

• 明文：sklearn 接口，基线效果 AUC≈0.9879。
• 密文：SBU 接口，几乎相同 AUC。

这一实验验证了 MPC 在实际机器学习任务中的可用性与精度，并展示了隐私计算对模型效果的无损特性。

六、关键技术要点总结

即时编译支持：仅当 JAX 程序能转成 SLA，才能进入 MPC 计算。部分控制流、输入依赖会导致编译失败，需要重写。

多方分布与安全执行：多方持有不同特征块（纵向分割），通过 SBU 联合建模，整个过程中数据保持加密状态。

明文 vs 密文对照验证：通过 Superflow reveal 接口，把密文下结果解密出来，和明文基线对比。

挑战与局限：

编译适配：非所有 JAX 程序都能直接跑 MPC，复杂控制流需要重构。

性能开销：MPC 带来的随机性、精度误差、计算成本需要持续优化。

七、总结

这门课程帮助学员不仅是知道如何跑通代码，更是理解了架构、原理、适配条件。未来可以扩展到更复杂的机器学习任务（如深度学习、XGBoost、推荐系统），并结合 AutoML 自动化调优。