该架构依赖于基于受信执行环境（TEE）的多方计算（MPC）网格，结合拜占庭容错（BFT）共识。每个参与者在其基础设施内部署Intel SGX或AMD SEV-SNP enclave，确保原始数据在未加密的状态下不会离开组织边界。系统使用在TEE内部执行的**安全聚合（SecAgg）**协议，其中梯度在传输前使用临时公钥加密，只在经过验证的enclave内进行解密以进行聚合。
BFT共识层，如HotStuff或Tendermint，协调去中心化验证节点委员会之间的训练轮次，即使f < n/3个节点是恶意或被破坏，也能确保进展。通过数据源的局部DP-SGD结合聚合enclaves内的安全噪声注入来强制执行差分隐私（DP），为针对成员推断攻击提供数学隐私保障。
基础设施跨越地理分布的Kubernetes集群，使用机密容器（如支持SGX的Kata Containers），由服务网格（例如，具有mTLS和SPIFFE身份的Istio）调度，它仅在经过验证的端点之间路由流量。通过Intel DCAP或AMD SEV-SNP证明报告的远程证明在任何梯度交换发生之前验证enclave的完整性。
系统执行基于时间周期的训练轮，并向不可变账本（例如，带有区块链锚定的IPFS）进行检查点，提供审计能力和故障时的回滚功能。
一个由五家主要国际银行组成的财团旨在协作训练一个图神经网络（GNN），以检测复杂的跨境洗钱环。每家银行拥有受GDPR和GLBA法规管辖的孤立交易记录，这些法规禁止原始数据的导出或集中化。主要挑战是如何在不向竞争对手揭示客户身份或交易细节的情况下实现联合模型训练，同时防止任何单一银行或基础设施提供商操纵全局模型或从共享梯度中提取信息。
一种潜在的解决方案涉及同态加密（HE），银行将直接对加密数据进行计算。此方法提供了强大的理论隐私保证，在没有硬件信任假设的情况下可进行数学证明。然而，完全同态加密（FHE）的计算开销使得随机梯度下降在他们的数据集上变得不切实际，导致训练时间超过六个月。延迟和计算成本使这一解决方案在生产部署上经济上不可行。
另一种考虑的方法是使用标准的联邦学习与集中参数服务器。虽然这保留了数据所在地并提供了合理的性能，但参数服务器可能会通过梯度反演攻击或模型中毒推断出敏感信息。此外，架构呈现出单点故障，并要求对托管参数服务器的第三方云提供商绝对信任，违反了竞争金融机构之间的零信任要求。
所选架构实现了使用Azure Confidential Computing和AWS Nitro Enclaves的基于TEE的MPC网络，跨混合云环境进行部署。每家银行在SGX enclaves中部署了Gramine保护的PyTorch训练工作负载，并在网络传输前对梯度进行了ECIES加密。由中立第三方审计员运营的BFT验证节点委员会，使用HotStuff协议协调训练轮次。差分隐私预算严格通过Google DP库执行，在安全聚合enclaves内部添加了经过校准的噪声。该方案在72小时内完成了训练，同时保持了密码学隐私保证，并容忍至多一家参与银行的基础设施被妥协。
该部署成功识别出40%的可疑交易模式，比各个银行模型更有成效，从而获得了协作框架的监管批准。该系统持续运行了18个月，没有数据泄露或成功的模型提取攻击，证明了基于硬件的机密计算能够满足竞争隐私要求和在敌对多方环境中的合规监管。
你如何防止恶意参与者通过提交格式错误的梯度来进行模型中毒攻击，同时又不揭示他们的原始数据以检测攻击？
候选人通常提议在解密梯度上进行异常检测，这违反了隐私约束。正确的方法涉及零知识证明（ZKPs），具体而言是在参与者的TEE内部生成的zk-SNARKs或Bulletproofs，以证明梯度是正确从本地数据集计算而来的，并按照商定的学习算法进行处理。安全聚合enclave在将梯度纳入聚合之前验证这些证明。此外，适用于TEEs的Multi-Krum或修剪均值聚合算法在加密域中检测统计离群值，而无须解密单个贡献，确保拜占庭鲁棒性同时保持机密性。
如果在训练轮中发现参与者的TEE证明证书被泄露，系统如何处理其撤销？
许多候选人忽视了证明和信任的动态性质。架构必须实现基于时间周期的训练和可插拔共识。当发生证明撤销（通过证书撤销列表或OCSP检测）时，BFT共识层提出配置更改交易以将受影响节点从当前训练周期中移除。每N轮进行一次检查点以向不可变账本（例如，Hyperledger Fabric或Quorum）记录数据。系统使用前向安全加密进行enclave间通信，确保当前密钥的妥协不会解密过去的梯度流量。从最后达成的检查点继续训练，减少被撤销参与者的影响，而不需要重新启动整个计算。
如果底层TEE硬件因侧信道攻击（如Spectre或Foreshadow）而被妥协，如何确保差分隐私保证仍然有效？
这是一个常常被忽视的深层防御问题。仅依赖于硬件安全是不足够的。解决方案要求在数据源处应用局部差分隐私，确保每个单独的训练例子在进入TEE之前携带与聚合阶段独立的隐私噪声。密码盲化技术在梯度传输到聚合器之前向其添加随机掩码，仅在安全聚合期间移除掩码。隐私预算会计使用组合定理（高级或时刻会计）由BFT共识层追踪，以防止在多个训练轮中过度曝光。即使攻击者从被妥协的TEE中提取数据，他们获得的也只是已加噪声、盲化的值，这些值保持了由数学框架而非单靠硬件执行的epsilon-delta差分隐私保证。