尧图网站建设 
简介联邦学习安全聚合模型FedSTSS基于Shamir门限秘密共享策略代码实现完整训练流程与多组基线对比实验可用于解决联邦学习中的梯度泄露与恶意服务器聚合风险。面向计算机、人工智能、通信工程等专业的毕设学生、课程设计者及隐私计算入门者既可作为论文复现基座也可在此基础上扩展新方法。压缩包共54个文件22个Python脚本覆盖模型训练、服务端/客户端通信、Shamir秘密共享算法等核心模块6个Shell脚本一键启动不同实验4个CSV为实验数据20个Log记录运行日志另有README说明文档整体仅68KB轻量且便于快速部署。已有140人浏览/学习该资源源码经作者调试运行通过答辩平均分达96分适合在本地复现FedSTSS与FedAvg、FedShare等模型的精度与安全性对比。结合README指引可系统理解门限秘密共享如何嵌入联邦学习聚合流程为后续研究提供可运行的起点。1. 为什么联邦学习的安全聚合绕不开Shamir门限秘密共享联邦学习里最常见的做法是客户端把本地梯度直接上传到服务器做平均可梯度本身就是训练数据的压缩表达攻击者拿到明文梯度后能重构出用户图片、标签甚至连续特征。FedSTSS要解决的就是这个问题每个客户端把梯度向量拆成多份份额按Shamir门限秘密共享的规则分发给其他客户端服务器只能恢复所有客户端梯度的总和却拿不到任何一个人的原始梯度。这个项目把FedSTSS与FedAvg、FedShare、Scotch做成了可对比的Python实现覆盖MNIST、EMNIST、FMNIST、MHealth等多套数据接口正适合做安全聚合方向毕业设计或者在企业里搭隐私保护联邦学习原型的开发者。下面从代码链路开始把份额怎么切、聚合怎么做、实验怎么复现、参数怎么调一次说清。2. FedSTSS的代码骨架从shamir.py到fedstss_server.py的关键链路2.1 Shamir门限秘密共享多项式构造与份额分发Shamir门限秘密共享的核心思想是用一个t-1次多项式承载秘密。假设秘密是梯度中的一个浮点数s构造多项式f(x) s a_1 x a_2 x^2 ... a_{t-1} x^{t-1}其中a_1 ~ a_{t-1}是从大素数有限域里随机取的系数。给每个参与方分配一个点(x, f(x))作为份额。任意t个点可以唯一确定这个多项式从而恢复常数项s少于t个点则完全得不到s的任何信息。我在项目里的shamir.py见过这类实现写成通用逻辑并不长。下面这段是份额生成的核心部分# shamir_demo.py import random from typing import List, Tuple PRIME 2**127 - 1 def make_shares(secret: int, threshold: int, num_shares: int) - List[Tuple[int, int]]: # secret 作为常数项threshold 决定多项式次数 coeffs [secret] [random.randrange(1, PRIME) for _ in range(threshold - 1)] shares [] for x in range(1, num_shares 1): y 0 for i, c in enumerate(coeffs): y (y c * pow(x, i, PRIME)) % PRIME shares.append((x, y)) return shares这段代码里secret必须是整数所以拿到梯度浮点数后要先做定点化把浮点数乘以一个缩放因子再取整。threshold是门限值比如 3 就代表至少 3 份份额能恢复秘密。num_shares是总参与方数。PRIME是模数它必须大于所有可能的秘密值和中间运算结果否则取模会破坏数值FedSTSS 的配置里默认给到的 127 位素数是一个比较稳妥的起点。另一个值得注意的细节是x从 1 开始编号不能出现 0否则份额本身就泄露了常数项。2.2 客户端份额转发与服务器端聚合流程FedSTSS 不是单纯把份额发给服务器而是先让客户端之间互相转发份额。整个流程可以拆成五步客户端i本地训练一轮得到梯度向量g_i。对g_i中每个参数分别执行make_shares生成n份份额自己保留第i份其余份额按编号发给其他客户端。每个客户端把自己保留的份额和收到的所有份额按位置相加得到该客户端的最终份额sum_i再发送给服务器。服务器收集到至少t个最终份额后执行拉格朗日插值恢复出的不是某个客户端梯度而是所有客户端梯度的总和。服务器用这个总和更新全局模型并广播下一轮重新训练。第 2 步转发是防止服务器拿到任何单客户端信息的关键服务器只看到第 3 步之后的结果那些结果已经被多个客户端的份额混合过了。只要转发过程中攻击者无法同时控制超过threshold - 1个客户端单条梯度的隐私就不会被恢复。这个性质在对比实验里比 FedAvg 的“裸传梯度”有本质差异。项目里的fedstss_leadserver.py是协调节点它负责份额分配调度fedstss_server.py负责聚合和模型更新fedstss_client.py负责训练和份额生成。启动时可以直接用脚本# 检查CUDA是否可用避免训练时静默落到CPU python testCUDA.py # 启动FedSTSS服务端和多个客户端进程 bash start-fedstss.shtestCUDA.py会打印显卡信息和可用的计算能力如果返回False后面跑 EMNIST 这类数据集会非常慢建议先调整环境。start-fedstss.sh内部会同时拉起fedstss_leadserver.py和多个fedstss_client.py进程数量由config.py里的NUM_CLIENTS决定。在我实际运行时先手动执行一次python testCUDA.py能省去很多调环境的时间。2.3 FedSTSS与FedAvg在安全和通信上的差异要判断这个项目是否真的比 FedAvg 安全需要把两者的行为放在同一张表里对比对比项FedAvgFedSTSS服务器看到的梯度数据明文梯度混合后的份额加和能否恢复单个客户端梯度能不能除非收集到足够多的配对份额客户端掉线影响少数掉线直接跳过掉线数小于num_shares - threshold时可恢复额外通信量无每个梯度参数需要传输多个份额计算开销无额外多项式求值与拉格朗日插值这份对比说明安全聚合不是免费的。FedSTSS 用通信和计算换取了隐私每个参数从原来的 1 份变成长度接近原始浮点数的n份通信开销接近n倍。如果n很大需要配合压缩手段我在最后一章会给出一种可行的偏置压缩扩展。这里要特别注意FedSTSS 的掉线容忍并不是“客户端随便掉”它的上限是服务器收到的最终份额不能少于threshold所以threshold决定了安全和可用性的平衡点。3. 部署与对比实验复现FedSTSS与FedAvg的隐私与精度曲线3.1 环境准备与数据集切分先把基础依赖装好。项目没有单独的requirements.txt但你至少需要torch、numpy、pandas和scikit-learn。我一般用如下命令装环境然后再按项目里的README.md校验数据路径# conda环境建议使用Python 3.8以上 pip install torch torchvision numpy pandas scikit-learn matplotlib # 如果日志模块依赖flask则需要安装 pip install flask项目自带的数据接口集中在mnistcommon.py、emnistcommon.py、fmnistcommon.py和mhealthcommon.py里它们的加载逻辑类似。以 MNIST 为例常见做法是先把原始数据转成x_train、y_train、x_test、y_test四个文件再按客户端做非独立同分布切分。项目根目录下有现成的x_test.csv和y_test.csv说明已经做了预处理直接运行客户端脚本即可不必自己重新下载数据。如果要从头切分数据可以参考下面的分片逻辑# split_clients.py import numpy as np def split_iid(x, y, num_clients): # 把所有样本随机打乱后均匀切给客户端 idx np.random.permutation(len(x)) shards np.array_split(idx, num_clients) return [(x[s], y[s]) for s in shards]这里num_clients对应联邦参与方数量shards是一个列表每个元素是某个客户端本地的样本索引。IID 切分适合验证模型精度如果做隐私攻击对比建议改成 Non-IID 切分让每个客户端只持有少量类别这样 FedAvg 明文梯度泄露的信息会更明显。项目里的flcommon.py应该已经封装了这种切分逻辑你只需要调整配置里的数据路径。3.2 启动四个基线实验并收集日志项目把对比实验做成了四组启动脚本start-fedstss.sh、start-fedshare.sh、start-scotch.sh和start-fedavg.sh。每组都对应独立的服务器和客户端进程建议每组实验跑完后清一次进程避免端口冲突# 跑FedAvg基线 bash start-fedavg.sh # 等训练结束后清理进程再跑FedSTSS bash start-killAll.sh bash start-fedstss.shstart-killAll.sh会按配置杀掉logger_server.py之外的遗留进程。这个脚本非常有用因为安全聚合项目往往需要反复重启Port already in use是出现频率最高的错误之一。每轮训练结束后服务器会把准确率写到logs/目录你可以用下面的命令快速看趋势grep -h test_accuracy logs/*.log | tail -n 50grep -h去掉文件名前缀tail -n 50只看最后 50 轮。日志文件会包含round、loss、accuracy、time等字段time_logger.py负责统计每轮通信耗时。如果你想实时观察打开另一个终端执行tail -f logs/server.log即可。3.3 攻击视角下的对比验证精度曲线只能说明模型没被安全聚合拖垮真正要验证的是隐私保护是否生效。这里提供一个可复现的检查方法在 FedAvg 的服务器端保存每个客户端上传的原始梯度而在 FedSTSS 的服务器端保存收到的份额列表。然后模拟一个恶意服务器尝试用少于threshold个份额恢复单客户端梯度# attack_check.py from shamir import recover_secret shares get_server_seen_shares() # 服务器实际收到的份额 for client_id in range(num_clients): client_shares shares[client_id] # 恶意服务器故意只取 threshold - 1 个份额 partial client_shares[:threshold - 1] try: secret recover_secret(partial, threshold, PRIME) print(fclient {client_id} gradient reconstructed) except ValueError: print(fclient {client_id} protected)这个脚本的输出应该显示所有客户端都protected因为份额数量不足时多项式有无穷多个解recover_secret必须在份额数量达到门限时才能给出唯一解。同样的代码在 FedAvg 场景下根本没有份额概念你可以直接拿到明文梯度并还原出原始图片这就是 FedSTSS 在隐私维度上的收益。模型精度对比可以用 matplotlib 画成曲线但要注意不要拿别人博客上的数据冒充自己的实验。正确的做法是从日志里读取准确率数组然后绘图# plot_acc.py import matplotlib.pyplot as plt fedavg_acc parse_from_log(logs/fedavg.log) fedstss_acc parse_from_log(logs/fedstss.log) plt.plot(fedavg_acc, labelFedAvg) plt.plot(fedstss_acc, labelFedSTSS) plt.xlabel(communication round) plt.ylabel(test accuracy) plt.legend() plt.savefig(acc_compare.png)如果你本地 GPU 资源有限建议把客户端数量调小比如 5 个参与方门限设为 3这样日志里每一轮的份额计算时间明显减少。对比实验重点不是刷准确率而是观察两条精度曲线是否收敛到相近的水平同时隐私检查脚本是否真正拦截了恶意恢复。4. 参数调节与故障排查门限值、掉线率和份额恢复边界4.1 config.py 里的关键参数怎么改config.py是 FedSTSS 的参数中心我第一件事就是把NUM_CLIENTS和THRESHOLD的关系先写清楚。不同参数之间的影响可以用下面这张表表示参数作用建议起点NUM_CLIENTS参与联邦学习的客户端总数n与 CPU 核数或 GPU 显存匹配THRESHOLD恢复秘密所需最少份额数tn // 2 1PRIME_BITSShamir 使用的大素数位数127梯度范围大时用 255ROUNDS联邦学习总轮数50 到 100 轮之间调整SERVER_PORT服务器监听端口与其他实验脚本错开门限t的意义是只要诚实的最终份额数量达到t服务器就能恢复聚合结果。t越小掉线容忍能力越强但安全性越低因为恶意客户端联合t个以上份额就能恢复秘密。t越大安全性越高但掉线容忍指数下降通信量也更大。以n 5为例t 3表示系统最多允许 2 个客户端掉线这个配置在实验环境里比较平衡。修改完config.py后不需要重新编译重启脚本即可。但要注意PRIME_BITS如果从 127 改成 255所有客户端和服务端的模数必须一致否则份额的取模结果对不上报错信息通常是ValueError: interpolation failed。这是安全聚合项目里最容易犯的版本一致性错误。4.2 掉线恢复边界与超时重试FedSTSS 在处理掉线时不是直接丢弃而是检查收到份额的数量是否仍满足门限。如果掉线客户端数d满足d n - t服务器依然可以恢复聚合总和。比如 5 个参与方、门限 3掉 1 个客户端后服务器收到 4 个最终份额满足 4 3掉 3 个客户端后服务器只收到 2 个份额不满足本轮聚合直接失败。服务器端的核心判断逻辑通常是这样if len(received_final_shares) THRESHOLD: raise RuntimeError( f有效份额不足: {len(received_final_shares)} {THRESHOLD} )这里received_final_shares是所有存活客户端发来的最终份额集合不是原始份额。实际工程化时服务器会在一个固定时间窗口内等待客户端上报窗口结束后才开始统计。窗口太短会把慢客户端误判为掉线太长又会让每轮训练周期变大。我一般把超时设置为 60 秒再配合time_logger.py观察每轮耗时来确定是否调整。4.3 三个高频坑和日志定位第一个坑是“份额重复”。客户端 ID 与份额的x值绑定后如果某客户端重复发送同一份份额拉格朗日插值会得到错误结果。排查方式看服务器日志里有没有duplicate share x关键字日志会打印重复节点的 ID。第二个坑是“浮点转整数溢出”。Shamir 秘密共享只工作在整数域梯度范围一旦超过素数域恢复出的浮点数就完全失真。定位方法是把日志里的梯度最大值打印出来确认它小于PRIME // SCALE_FACTOR。第三个坑是端口占用前面提过每次实验结束后都要执行# 清理残留进程避免端口冲突 bash start-killAll.sh # 如果仍然出现address already in use手动确认进程 lsof -i :5000lsof输出里如果有 Python 进程占用端口用kill -9 PID结束。如果实验中出现RuntimeError: 有效份额不足先查日志里当前轮存活的客户端列表再确认网络配置是否把某些客户端错误隔离了。这种错误不一定是真实掉线很有可能是客户端进程启动失败。5. 基于FedSTSS的扩展偏置压缩与通信开销优化技巧Shamir 秘密共享的最大代价是通信量每个梯度参数被复制成n份当参与方较多时带宽会成为瓶颈。一个可以直接落在 FedSTSS 上的优化是偏置压缩技术它的思路是只对重要的梯度位置做份额生成其余位置用零填充。为了让压缩后的梯度在数学期望上等于原始梯度保留的位置需要乘上1 / 压缩率这个因子就是“偏置”。# bias_compress.py import numpy as np def bias_compress_and_share(gradient, sparsity0.01): flat gradient.reshape(-1).copy() k max(1, int(sparsity * len(flat))) topk_idx np.argsort(-np.abs(flat))[:k] compressed np.zeros_like(flat) compressed[topk_idx] flat[topk_idx] # 乘以 1/sparsity 维持无偏估计 compressed[topk_idx] / sparsity return compressed, topk_idxsparsity是保留比例0.01 表示只传输 1% 的梯度位置。topk_idx记录了被保留的位置索引这部分索引需要额外传输给服务器。使用偏置压缩后FedSTSS 只需要对非零位置执行make_shares份额数量从n * D降为n * D * sparsity通信开销近似减小到原来的百分之一。这里有个容易忽略的细节topk_idx本身可能泄露梯度分布信息所以压缩率不宜过低否则攻击者可以根据索引集合反推数据分布。验证这个优化是否可靠的方法很简单在同一批数据上分别跑完整份额和压缩份额对比两条精度曲线。如果压缩后的精度下降在可接受范围内同时time_logger.py显示的每轮通信时间明显缩短说明优化有效。实际部署时你可以先设置sparsity 0.05观察下载后的份额包大小再逐步降到 0.01直到精度拐点出现。最后将topk_idx也纳入秘密共享的额外字段避免索引被单独截获后成为新的隐私泄露口。本文还有配套的精品资源点击获取 联邦学习安全聚合实践：Shamir门限秘密共享机制解析
简介联邦学习安全聚合模型FedSTSS基于Shamir门限秘密共享策略代码实现完整训练流程与多组基线对比实验可用于解决联邦学习中的梯度泄露与恶意服务器聚合风险。面向计算机、人工智能、通信工程等专业的毕设学生、课程设计者及隐私计算入门者既可作为论文复现基座也可在此基础上扩展新方法。压缩包共54个文件22个Python脚本覆盖模型训练、服务端/客户端通信、Shamir秘密共享算法等核心模块6个Shell脚本一键启动不同实验4个CSV为实验数据20个Log记录运行日志另有README说明文档整体仅68KB轻量且便于快速部署。已有140人浏览/学习该资源源码经作者调试运行通过答辩平均分达96分适合在本地复现FedSTSS与FedAvg、FedShare等模型的精度与安全性对比。结合README指引可系统理解门限秘密共享如何嵌入联邦学习聚合流程为后续研究提供可运行的起点。1. 为什么联邦学习的安全聚合绕不开Shamir门限秘密共享联邦学习里最常见的做法是客户端把本地梯度直接上传到服务器做平均可梯度本身就是训练数据的压缩表达攻击者拿到明文梯度后能重构出用户图片、标签甚至连续特征。FedSTSS要解决的就是这个问题每个客户端把梯度向量拆成多份份额按Shamir门限秘密共享的规则分发给其他客户端服务器只能恢复所有客户端梯度的总和却拿不到任何一个人的原始梯度。这个项目把FedSTSS与FedAvg、FedShare、Scotch做成了可对比的Python实现覆盖MNIST、EMNIST、FMNIST、MHealth等多套数据接口正适合做安全聚合方向毕业设计或者在企业里搭隐私保护联邦学习原型的开发者。下面从代码链路开始把份额怎么切、聚合怎么做、实验怎么复现、参数怎么调一次说清。2. FedSTSS的代码骨架从shamir.py到fedstss_server.py的关键链路2.1 Shamir门限秘密共享多项式构造与份额分发Shamir门限秘密共享的核心思想是用一个t-1次多项式承载秘密。假设秘密是梯度中的一个浮点数s构造多项式f(x) s a_1 x a_2 x^2 ... a_{t-1} x^{t-1}其中a_1 ~ a_{t-1}是从大素数有限域里随机取的系数。给每个参与方分配一个点(x, f(x))作为份额。任意t个点可以唯一确定这个多项式从而恢复常数项s少于t个点则完全得不到s的任何信息。我在项目里的shamir.py见过这类实现写成通用逻辑并不长。下面这段是份额生成的核心部分# shamir_demo.py import random from typing import List, Tuple PRIME 2**127 - 1 def make_shares(secret: int, threshold: int, num_shares: int) - List[Tuple[int, int]]: # secret 作为常数项threshold 决定多项式次数 coeffs [secret] [random.randrange(1, PRIME) for _ in range(threshold - 1)] shares [] for x in range(1, num_shares 1): y 0 for i, c in enumerate(coeffs): y (y c * pow(x, i, PRIME)) % PRIME shares.append((x, y)) return shares这段代码里secret必须是整数所以拿到梯度浮点数后要先做定点化把浮点数乘以一个缩放因子再取整。threshold是门限值比如 3 就代表至少 3 份份额能恢复秘密。num_shares是总参与方数。PRIME是模数它必须大于所有可能的秘密值和中间运算结果否则取模会破坏数值FedSTSS 的配置里默认给到的 127 位素数是一个比较稳妥的起点。另一个值得注意的细节是x从 1 开始编号不能出现 0否则份额本身就泄露了常数项。2.2 客户端份额转发与服务器端聚合流程FedSTSS 不是单纯把份额发给服务器而是先让客户端之间互相转发份额。整个流程可以拆成五步客户端i本地训练一轮得到梯度向量g_i。对g_i中每个参数分别执行make_shares生成n份份额自己保留第i份其余份额按编号发给其他客户端。每个客户端把自己保留的份额和收到的所有份额按位置相加得到该客户端的最终份额sum_i再发送给服务器。服务器收集到至少t个最终份额后执行拉格朗日插值恢复出的不是某个客户端梯度而是所有客户端梯度的总和。服务器用这个总和更新全局模型并广播下一轮重新训练。第 2 步转发是防止服务器拿到任何单客户端信息的关键服务器只看到第 3 步之后的结果那些结果已经被多个客户端的份额混合过了。只要转发过程中攻击者无法同时控制超过threshold - 1个客户端单条梯度的隐私就不会被恢复。这个性质在对比实验里比 FedAvg 的“裸传梯度”有本质差异。项目里的fedstss_leadserver.py是协调节点它负责份额分配调度fedstss_server.py负责聚合和模型更新fedstss_client.py负责训练和份额生成。启动时可以直接用脚本# 检查CUDA是否可用避免训练时静默落到CPU python testCUDA.py # 启动FedSTSS服务端和多个客户端进程 bash start-fedstss.shtestCUDA.py会打印显卡信息和可用的计算能力如果返回False后面跑 EMNIST 这类数据集会非常慢建议先调整环境。start-fedstss.sh内部会同时拉起fedstss_leadserver.py和多个fedstss_client.py进程数量由config.py里的NUM_CLIENTS决定。在我实际运行时先手动执行一次python testCUDA.py能省去很多调环境的时间。2.3 FedSTSS与FedAvg在安全和通信上的差异要判断这个项目是否真的比 FedAvg 安全需要把两者的行为放在同一张表里对比对比项FedAvgFedSTSS服务器看到的梯度数据明文梯度混合后的份额加和能否恢复单个客户端梯度能不能除非收集到足够多的配对份额客户端掉线影响少数掉线直接跳过掉线数小于num_shares - threshold时可恢复额外通信量无每个梯度参数需要传输多个份额计算开销无额外多项式求值与拉格朗日插值这份对比说明安全聚合不是免费的。FedSTSS 用通信和计算换取了隐私每个参数从原来的 1 份变成长度接近原始浮点数的n份通信开销接近n倍。如果n很大需要配合压缩手段我在最后一章会给出一种可行的偏置压缩扩展。这里要特别注意FedSTSS 的掉线容忍并不是“客户端随便掉”它的上限是服务器收到的最终份额不能少于threshold所以threshold决定了安全和可用性的平衡点。3. 部署与对比实验复现FedSTSS与FedAvg的隐私与精度曲线3.1 环境准备与数据集切分先把基础依赖装好。项目没有单独的requirements.txt但你至少需要torch、numpy、pandas和scikit-learn。我一般用如下命令装环境然后再按项目里的README.md校验数据路径# conda环境建议使用Python 3.8以上 pip install torch torchvision numpy pandas scikit-learn matplotlib # 如果日志模块依赖flask则需要安装 pip install flask项目自带的数据接口集中在mnistcommon.py、emnistcommon.py、fmnistcommon.py和mhealthcommon.py里它们的加载逻辑类似。以 MNIST 为例常见做法是先把原始数据转成x_train、y_train、x_test、y_test四个文件再按客户端做非独立同分布切分。项目根目录下有现成的x_test.csv和y_test.csv说明已经做了预处理直接运行客户端脚本即可不必自己重新下载数据。如果要从头切分数据可以参考下面的分片逻辑# split_clients.py import numpy as np def split_iid(x, y, num_clients): # 把所有样本随机打乱后均匀切给客户端 idx np.random.permutation(len(x)) shards np.array_split(idx, num_clients) return [(x[s], y[s]) for s in shards]这里num_clients对应联邦参与方数量shards是一个列表每个元素是某个客户端本地的样本索引。IID 切分适合验证模型精度如果做隐私攻击对比建议改成 Non-IID 切分让每个客户端只持有少量类别这样 FedAvg 明文梯度泄露的信息会更明显。项目里的flcommon.py应该已经封装了这种切分逻辑你只需要调整配置里的数据路径。3.2 启动四个基线实验并收集日志项目把对比实验做成了四组启动脚本start-fedstss.sh、start-fedshare.sh、start-scotch.sh和start-fedavg.sh。每组都对应独立的服务器和客户端进程建议每组实验跑完后清一次进程避免端口冲突# 跑FedAvg基线 bash start-fedavg.sh # 等训练结束后清理进程再跑FedSTSS bash start-killAll.sh bash start-fedstss.shstart-killAll.sh会按配置杀掉logger_server.py之外的遗留进程。这个脚本非常有用因为安全聚合项目往往需要反复重启Port already in use是出现频率最高的错误之一。每轮训练结束后服务器会把准确率写到logs/目录你可以用下面的命令快速看趋势grep -h test_accuracy logs/*.log | tail -n 50grep -h去掉文件名前缀tail -n 50只看最后 50 轮。日志文件会包含round、loss、accuracy、time等字段time_logger.py负责统计每轮通信耗时。如果你想实时观察打开另一个终端执行tail -f logs/server.log即可。3.3 攻击视角下的对比验证精度曲线只能说明模型没被安全聚合拖垮真正要验证的是隐私保护是否生效。这里提供一个可复现的检查方法在 FedAvg 的服务器端保存每个客户端上传的原始梯度而在 FedSTSS 的服务器端保存收到的份额列表。然后模拟一个恶意服务器尝试用少于threshold个份额恢复单客户端梯度# attack_check.py from shamir import recover_secret shares get_server_seen_shares() # 服务器实际收到的份额 for client_id in range(num_clients): client_shares shares[client_id] # 恶意服务器故意只取 threshold - 1 个份额 partial client_shares[:threshold - 1] try: secret recover_secret(partial, threshold, PRIME) print(fclient {client_id} gradient reconstructed) except ValueError: print(fclient {client_id} protected)这个脚本的输出应该显示所有客户端都protected因为份额数量不足时多项式有无穷多个解recover_secret必须在份额数量达到门限时才能给出唯一解。同样的代码在 FedAvg 场景下根本没有份额概念你可以直接拿到明文梯度并还原出原始图片这就是 FedSTSS 在隐私维度上的收益。模型精度对比可以用 matplotlib 画成曲线但要注意不要拿别人博客上的数据冒充自己的实验。正确的做法是从日志里读取准确率数组然后绘图# plot_acc.py import matplotlib.pyplot as plt fedavg_acc parse_from_log(logs/fedavg.log) fedstss_acc parse_from_log(logs/fedstss.log) plt.plot(fedavg_acc, labelFedAvg) plt.plot(fedstss_acc, labelFedSTSS) plt.xlabel(communication round) plt.ylabel(test accuracy) plt.legend() plt.savefig(acc_compare.png)如果你本地 GPU 资源有限建议把客户端数量调小比如 5 个参与方门限设为 3这样日志里每一轮的份额计算时间明显减少。对比实验重点不是刷准确率而是观察两条精度曲线是否收敛到相近的水平同时隐私检查脚本是否真正拦截了恶意恢复。4. 参数调节与故障排查门限值、掉线率和份额恢复边界4.1 config.py 里的关键参数怎么改config.py是 FedSTSS 的参数中心我第一件事就是把NUM_CLIENTS和THRESHOLD的关系先写清楚。不同参数之间的影响可以用下面这张表表示参数作用建议起点NUM_CLIENTS参与联邦学习的客户端总数n与 CPU 核数或 GPU 显存匹配THRESHOLD恢复秘密所需最少份额数tn // 2 1PRIME_BITSShamir 使用的大素数位数127梯度范围大时用 255ROUNDS联邦学习总轮数50 到 100 轮之间调整SERVER_PORT服务器监听端口与其他实验脚本错开门限t的意义是只要诚实的最终份额数量达到t服务器就能恢复聚合结果。t越小掉线容忍能力越强但安全性越低因为恶意客户端联合t个以上份额就能恢复秘密。t越大安全性越高但掉线容忍指数下降通信量也更大。以n 5为例t 3表示系统最多允许 2 个客户端掉线这个配置在实验环境里比较平衡。修改完config.py后不需要重新编译重启脚本即可。但要注意PRIME_BITS如果从 127 改成 255所有客户端和服务端的模数必须一致否则份额的取模结果对不上报错信息通常是ValueError: interpolation failed。这是安全聚合项目里最容易犯的版本一致性错误。4.2 掉线恢复边界与超时重试FedSTSS 在处理掉线时不是直接丢弃而是检查收到份额的数量是否仍满足门限。如果掉线客户端数d满足d n - t服务器依然可以恢复聚合总和。比如 5 个参与方、门限 3掉 1 个客户端后服务器收到 4 个最终份额满足 4 3掉 3 个客户端后服务器只收到 2 个份额不满足本轮聚合直接失败。服务器端的核心判断逻辑通常是这样if len(received_final_shares) THRESHOLD: raise RuntimeError( f有效份额不足: {len(received_final_shares)} {THRESHOLD} )这里received_final_shares是所有存活客户端发来的最终份额集合不是原始份额。实际工程化时服务器会在一个固定时间窗口内等待客户端上报窗口结束后才开始统计。窗口太短会把慢客户端误判为掉线太长又会让每轮训练周期变大。我一般把超时设置为 60 秒再配合time_logger.py观察每轮耗时来确定是否调整。4.3 三个高频坑和日志定位第一个坑是“份额重复”。客户端 ID 与份额的x值绑定后如果某客户端重复发送同一份份额拉格朗日插值会得到错误结果。排查方式看服务器日志里有没有duplicate share x关键字日志会打印重复节点的 ID。第二个坑是“浮点转整数溢出”。Shamir 秘密共享只工作在整数域梯度范围一旦超过素数域恢复出的浮点数就完全失真。定位方法是把日志里的梯度最大值打印出来确认它小于PRIME // SCALE_FACTOR。第三个坑是端口占用前面提过每次实验结束后都要执行# 清理残留进程避免端口冲突 bash start-killAll.sh # 如果仍然出现address already in use手动确认进程 lsof -i :5000lsof输出里如果有 Python 进程占用端口用kill -9 PID结束。如果实验中出现RuntimeError: 有效份额不足先查日志里当前轮存活的客户端列表再确认网络配置是否把某些客户端错误隔离了。这种错误不一定是真实掉线很有可能是客户端进程启动失败。5. 基于FedSTSS的扩展偏置压缩与通信开销优化技巧Shamir 秘密共享的最大代价是通信量每个梯度参数被复制成n份当参与方较多时带宽会成为瓶颈。一个可以直接落在 FedSTSS 上的优化是偏置压缩技术它的思路是只对重要的梯度位置做份额生成其余位置用零填充。为了让压缩后的梯度在数学期望上等于原始梯度保留的位置需要乘上1 / 压缩率这个因子就是“偏置”。# bias_compress.py import numpy as np def bias_compress_and_share(gradient, sparsity0.01): flat gradient.reshape(-1).copy() k max(1, int(sparsity * len(flat))) topk_idx np.argsort(-np.abs(flat))[:k] compressed np.zeros_like(flat) compressed[topk_idx] flat[topk_idx] # 乘以 1/sparsity 维持无偏估计 compressed[topk_idx] / sparsity return compressed, topk_idxsparsity是保留比例0.01 表示只传输 1% 的梯度位置。topk_idx记录了被保留的位置索引这部分索引需要额外传输给服务器。使用偏置压缩后FedSTSS 只需要对非零位置执行make_shares份额数量从n * D降为n * D * sparsity通信开销近似减小到原来的百分之一。这里有个容易忽略的细节topk_idx本身可能泄露梯度分布信息所以压缩率不宜过低否则攻击者可以根据索引集合反推数据分布。验证这个优化是否可靠的方法很简单在同一批数据上分别跑完整份额和压缩份额对比两条精度曲线。如果压缩后的精度下降在可接受范围内同时time_logger.py显示的每轮通信时间明显缩短说明优化有效。实际部署时你可以先设置sparsity 0.05观察下载后的份额包大小再逐步降到 0.01直到精度拐点出现。最后将topk_idx也纳入秘密共享的额外字段避免索引被单独截获后成为新的隐私泄露口。本文还有配套的精品资源点击获取