城东老街上，川菜馆、粤菜馆和甜品铺都加入了“星厨联盟”。联盟想研发一道席卷全国的融合招牌菜，可三位大师傅谁也不肯交出红油、高汤、糖浆的祖传配方——那是立店根本。总厨灵机一动：不交秘方，各家在自家厨房试菜，只把“调味心得”寄到总部，总部汇总后反哺各家。几个月后招牌菜问世，谁的秘方都没外泄。故事还有后半段：寄心得的路上有劫匪、有偷看的邮差，于是大师傅们发明了上锁的保险柜（同态加密）、碎纸条（安全多方计算），最后又在联盟大厅挂起一本不可涂改的大账本（区块链），把每次寄件都记上一笔。这就是隐私计算+区块链联邦学习：让数据“可用不可见”，让协作“可溯不可赖”。下文中，我们将用这笔“云中厨房联盟”的生意经，讲透这套保护隐私的AI协作范式。

岗位关联

掌握这套“保险柜+大账本”的组合拳，你就能为金融、医疗、政务设计真正可落地的隐私合规AI，这是AI工程师通往高价值To B场景的硬通货。

目录
  1. 可视化演示
  2. 联邦学习基础
  3. 隐私计算技术
  4. 区块链结合点
  5. 跨机构协同
  6. 共识与记账
  7. 安全模型
  8. 演进方向
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示联邦学习训练流程、安全多方计算与同态加密保护及区块链审计追溯，交互切换理解隐私联邦学习核心技术。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.federate.caption+'

联邦学习基础

城东老街上，川菜馆、粤菜馆、甜品店都入了“星厨联盟”。集团总部想推一款融合招牌菜，可大师傅们谁也不肯交出红油、高汤、糖浆的祖传配方——那是立店根本。总厨只能换思路：大家不用交配方，每月在自家后厨试菜，只把“调味心得”（这次试验该多加盐还是少放糖）寄到总部，总部揉成一份通用菜谱再发回各家。这样一来，秘方从未离店，菜谱却越来越精。

这套机制正是联邦学习（Federated Learning）。它是AI训练的一种分布式范式：多个参与方各自持有私有数据，在本地独立训练模型，然后只把模型梯度或参数这些“心得”发送给聚合服务器，服务器完成加权平均后再把新模型下发给各方。整个过程数据不出域，原始样本永不离开本地数据库，这是联邦学习最核心的隐私底线。因为每家数据量不同，聚合时不能简单取平均，而是按样本数加权——数据多的分店，话语权自然更大。

形式化的聚合规则叫 FedAvg（联邦平均） ：

不过总厨很快发现，光靠“数据不出域”还不够。一位擅长推理的对手如果长期偷看各家寄出的心得，竟能反推出红油里用了哪几味香料。梯度交换带来了新的隐私风险，这正是后面保险柜与大账本登场的理由。

wt+1=wt−η∑k=1Knkn∇Lk(wt)\displaystyle w_{t+1} = w_t - \eta \sum_{k=1}^{K} \frac{n_k}{n} \nabla L_k(w_t)
  1. 梯度含义$\nabla L_k(w_t)$ 是第 k 家分店在本地数据上算出的损失梯度，也就是“这轮试菜后建议的调整方向”。
    ∇Lk(wt)=1nk∑i=1nk∇ℓ(xi,yi;wt)\displaystyle \nabla L_k(w_t) = \frac{1}{n_k} \sum_{i=1}^{n_k} \nabla \ell(x_i, y_i; w_t)
  2. 样本权重$\frac{n_k}{n}$ 是第 k 家样本数在全体样本中的占比，决定这家分店的“话语权”大小；$n = \sum_{j=1}^{K} n_j$ 是所有参与方样本总数。
    n=∑j=1Knj\displaystyle n = \sum_{j=1}^{K} n_j
  3. 学习率与更新$\eta$ 是学习率（火候），控制每轮向前走多大一步；多方加权调整量累加后更新全局模型，得到新一轮菜谱。
    wt+1=wt−η∑k=1Knkn∇Lk(wt)\displaystyle w_{t+1} = w_t - \eta \sum_{k=1}^{K} \frac{n_k}{n} \nabla L_k(w_t)

隐私计算技术

联盟寄心得的路途并不太平：有劫匪想抢心得，有邮差想偷看配方。于是三位老师傅各献一计。第一位发明了“保险柜”——把心得锁进去，但神奇的是，柜子不用打开就能让里面的粉末参与混合；第二位发明了“碎纸条”——把心得撕成多份分别交给不同信使，只有凑齐足够份数才能拼出原话；第三位则建议在每个封口上都撒一层花椒粉——让对方尝出个大概，却永远尝不出精确配方。

这三位师傅的绝活，对应三类隐私计算技术。同态加密（Homomorphic Encryption）允许直接在密文上执行运算，服务器在“看不到明文”的情况下完成梯度聚合，等于保险柜不打开也能参与烹饪。安全多方计算（Secure Multi-Party Computation, MPC）通过秘密分享把敏感数据拆碎分发，多家联合计算后才还原结果，没有任何单一参与方能窥得全貌。差分隐私（Differential Privacy）则向梯度注入校准后的噪声，让攻击者无法判断某个具体样本是否参与了训练，好比花椒粉掩盖了食材的精确比例。此外还有可信执行环境（TEE），相当于把厨房整体隔离进一间隔音的保险房间，软硬件共同保证外人窥探不到内部操作。

同态加密的核心性质可以用一个等式概括：

三种手法并非互斥，真实系统中常组合使用：同态加密负责“柜外可算”，MPC负责“碎片互验”，差分隐私负责“事后免疫”。心得被层层保护后，接下来要解决的新问题是：如何让互不信任的机构相信彼此没有赖账或作弊？这就轮到账房先生登场。

Enc(m1)⊕Enc(m2)=Enc(m1⊗m2)\displaystyle Enc(m_1) \oplus Enc(m_2) = Enc(m_1 \otimes m_2)
  1. 明文消息$m_1, m_2$ 是两家分店寄出的梯度“心得”，本质是高维数值向量。
    mi∈Rd\displaystyle m_i \in \mathbb{R}^{d}
  2. 加密函数$Enc(\cdot)$ 是“上锁”的过程，把明文心得变成看似杂乱无章的密文。
    ci=Enc(mi)\displaystyle c_i = Enc(m_i)
  3. 同态性质$\oplus$ 是密文上的运算，$\otimes$ 是明文上的运算；等式表明“在密文上算完再解密”与“先算明文再加密”结果一致。
    Dec(Enc(m1)⊕Enc(m2))=m1⊗m2\displaystyle Dec\left( Enc(m_1) \oplus Enc(m_2) \right) = m_1 \otimes m_2

区块链结合点

联盟越做越大，新加入的分店彼此并不熟识。总厨于是在大厅最显眼处挂起一本大账本，用特殊墨水记下每一次寄件：谁寄的、什么时候寄的、快递单号是多少。墨水干了就擦不掉，谁想涂改，痕迹立刻暴露。这本账本，就是区块链。

在联邦学习场景中，区块链承担的不是“存数据”而是“存凭证”的职责。每次参与方上传梯度前，先计算梯度的哈希值并登记上链，相当于给心得拍了一张“指纹照片”。任何人中途篡改内容，指纹立刻对不上。交互凭证上链后，整个协作过程就有了不可抵赖的时间线：哪家节点提交了异常参数，链上轨迹一查便知，恶意节点溯源成为可能；哪家贡献了多少数据、多少轮有效更新，也都记录在案，为激励清算机制提供依据。配合智能合约，激励发放甚至可以自动执行——合约是提前写好的规则，满足条件自动结算，不需要任何一方拥有“走后门”的特权。

区块链的防篡改能力来自哈希链的环环相扣：

账本解决了“谁来作证”的信任问题：机构的业务往来写进历史，谁做过什么贡献、谁有过一次异常操作，都在链上留下永久记录。有了数据不出域、心得加密走、账本做凭证这三板斧，云中厨房联盟终于可以开门迎客，把分店开到不同行业里去。

Hi=Hash⁡(Hi−1 ∥ Blocki)\displaystyle H_i = \operatorname{Hash}\left( H_{i-1} \,\|\, \text{Block}_i \right)
  1. 哈希函数$\operatorname{Hash}$ 是“指纹提取机”，给任意长度的数据生成一段固定长度的指纹，内容一变指纹必变。
    h=Hash⁡(data)\displaystyle h = \operatorname{Hash}(\text{data})
  2. 拼接输入$H_{i-1} \,\|\, \text{Block}_i$ 表示把上一区块的指纹和当前区块的完整内容首尾相接，作为新的输入。
    Si=Hi−1 ∥ Blocki\displaystyle S_i = H_{i-1} \,\|\, \text{Block}_i
  3. 链式传导$H_i$ 是当前区块的新指纹；由于每一块都包含前一块的指纹，任何轻微涂改都会让后续所有指纹失配，篡改无所遁形。
    Hi=Hash⁡(Si)\displaystyle H_i = \operatorname{Hash}(S_i)

跨机构协同

联盟的招牌菜火了，银行金库后厨、医院营养厨房、生鲜供应链仓库都来求加盟。每家都有自己的“私房食材”——银行的账户流水、医院的影像数据、供应链的碳排台账——这些数据受法律严格保护，绝不能离开自家院子。于是联邦学习从“同行业分店”扩展到“跨行业联盟”，大家共享一套通用模型，却各自守着自己的数据金矿。

这正是跨机构协同的核心场景。在金融风控协作中，多家银行在不共享客户明细的前提下，联合训练反欺诈与反洗钱模型，模型见到的数据多了，识别可疑交易的能力更强；在医疗数据共享中，各医院影像数据不出院，中央模型却吸收了几十万张胸片的“集体经验”，肺结节筛查的准确率显著提升；在供应链溯源中，主机厂与零部件供应商协同预测单件碳足迹，为绿色信贷提供可信依据；在政务数据互认中，不同部门的数据孤岛被打通为“可用不可见”的协作网络，办事效率与数据安全兼得。

协同要长久，利益分配必须公平。联盟用链上账本记录每家贡献的数据量和有效更新轮次，再按贡献比例清算奖励：

金融、医疗、供应链、政务，行业千差万别，但协作逻辑一致：以联邦模型博取更大视野，以隐私计算守护各自底线，以区块链保证贡献有据可查。联盟要运转下去，还有一件事必须解决——这本大账本，到底由谁来记？

Ui=∣Di∣∑j=1K∣Dj∣×R\displaystyle U_i = \frac{\lvert D_i \rvert}{\sum_{j=1}^{K} \lvert D_j \rvert} \times R
  1. 数据量$\lvert D_i \rvert$ 表示第 i 家分店参与协作的本地样本条数，即“贡献食材的份量”。
    ∣Di∣=第 i 家本地样本数\displaystyle \lvert D_i \rvert = \text{第 } i \text{ 家本地样本数}
  2. 贡献占比分母是全体参与方的样本总数，两者相除得到第 i 家贡献的相对比例。
    pi=∣Di∣∑j=1K∣Dj∣\displaystyle p_i = \frac{\lvert D_i \rvert}{\sum_{j=1}^{K} \lvert D_j \rvert}
  3. 按贡献分润$R$ 是联盟的总奖励池，$U_i$ 是按占比分给第 i 家的份额，公平透明且可被链上账本自动验证。
    Ui=pi×R\displaystyle U_i = p_i \times R

共识与记账

大账本挂在大堂，如果只有总厨一人执笔，大家担心他偏袒川菜馆；如果每家都抢着写，又必然乱套。最后联盟定下规矩：每家分店派一名账房先生共同保管账本，新账页必须经过足够多账房先生核对认可，才能正式入册。没有达到门槛的草稿，统统作废。

这套“多人对账、多数认可”的规则，就是区块链中的共识机制。联盟链常用的 PBFT（实用拜占庭容错）规定：一条交易要被打包进新区块，必须得到超过三分之二的记账节点确认。这样即使有少数节点被收买或发生故障（拜占庭节点），诚实节点仍然占据绝对多数，账本不会被少数人改写。所有参与方的交互追踪记录一旦写入全局账本便不可篡改，每当产生激励、结算、审计需求时，任何人都能翻出历史账页验证真伪。

PBFT 的投票阈值可以用不等式表达：

共识机制让“一本账”升级为“人人可信的一本账”。但分布式系统有个残酷规律：越复杂的规则，越容易出现漏洞。区块链上的智能合约虽然是自动执行，但如果合约代码本身就写错了呢？那就需要一支专门的评审委员会来把关了。

Nvalid≥⌊2N3⌋+1\displaystyle N_{\text{valid}} \ge \left\lfloor \frac{2N}{3} \right\rfloor + 1
  1. 节点总数$N$ 是共同维护账本的记账节点数量，也就是账房先生的人数。
    N=参与共识的节点数量\displaystyle N = \text{参与共识的节点数量}
  2. 通过阈值一笔账要成立，至少需要 $\lfloor \frac{2N}{3} \rfloor + 1$ 个节点确认，即超过三分之二。
    t=⌊2N3⌋+1\displaystyle t = \left\lfloor \frac{2N}{3} \right\rfloor + 1
  3. 容错能力该门槛保证即便有 $f = \lfloor \frac{N-1}{3} \rfloor$ 个节点作恶，诚实节点仍占总数的绝对多数，账本不可能被少数方控制。
    f=⌊N−13⌋\displaystyle f = \left\lfloor \frac{N-1}{3} \right\rfloor

安全模型

联盟深谙“好菜也要检验”的道理，专门成立了皇家评审委员会。委员会对每一份智能合约做两道检查：第一道是数学证明，用形式化的方法证明“无论输入如何变化，合约都不会泄露秘方”；第二道是实地试吃，在测试网络上模拟各种攻击场景，跑完整的审计测试。两道检查都通过，合约才被允许上线。

这套“双重保险”映射到技术世界，就是安全模型。形式化验证（Formal Verification）用数学逻辑严格证明程序满足预设的安全性质，好比用几何定理证明桥梁不会塌；审计测试则在模拟环境中反复试验，检查真实运行时的边界条件和异常输入。之所以需要两道关口，是因为合约漏洞的代价极高——2016年著名的DAO事件中，攻击者利用递归调用漏洞卷走了约6000万美元以太币，由于区块链不可篡改，损失无法回滚。这类事故告诉联盟：自动化不等于安全，代码一旦上链，错误就是永久伤疤。

形式化验证可以用霍尔三元组（Hoare Triple）描述：

因此成熟方案不会把安全押在任何单一技术上：隐私计算负责数据保密，区块链负责过程存证，形式化验证与审计测试负责消灭合约漏洞，四者互为兜底。这套“双保险”哲学，也将继续指引联盟走向更广阔的未来。

{P}  C  {Q}\displaystyle \{P\}\; C\; \{Q\}
  1. 前置条件$P$ 描述合约运行前的状态假设，比如“所有参与方的梯度都已用同态加密提交”。
    P:所有参与方梯度均以密文形式提交\displaystyle P: \text{所有参与方梯度均以密文形式提交}
  2. 合约程序$C$ 是待验证的智能合约代码，例如激励分配或凭证校验逻辑。
    C:智能合约的完整可执行代码\displaystyle C: \text{智能合约的完整可执行代码}
  3. 后置条件$Q$ 是必须保证的安全性质，比如“任何参与方都无法从合约状态中恢复他人明文梯度”。
    Q:任何方都无法读取他人明文梯度\displaystyle Q: \text{任何方都无法读取他人明文梯度}

演进方向

联盟越做越大，各家分店却开始使用不同的账本格式：川菜馆所在的A联盟用一套，医院所在的B联盟用另一套，两边菜谱无法互通。更麻烦的是，每个联盟的隐私保护强度参差不齐。于是行业里开始讨论：能不能制定一本国际通用菜谱，让A联盟的招牌菜也能在B联盟的厨房里复现？

这正是联邦学习与区块链融合的演进方向。首先是标准互操作：不同联邦学习框架、不同区块链系统之间需要统一的数据格式、接口协议与安全基准，让“换一家平台”不再意味着推倒重来。其次是跨链桥接：通过跨链技术，A联盟的交互凭证可以在B联盟的链上被验证，实现跨联盟的可信协作——好比在两条河之间架起一座桥。再者是模块化架构：把联邦学习、隐私计算、区块链拆成可插拔的组件，用户按需组合，而不是绑定在某一家厂商的全家桶上。最后是可验证隐私：借助零知识证明等工具，参与方可以在不透露任何数据内容的前提下，向他人证明“我的计算过程完全合规”。

跨链验证的信任汇总可以用合取公式表达：

从云中厨房联盟的雏形，到保险柜、碎纸条、大账本三件套，再到跨联盟的桥梁，这个故事还在书写。隐私计算与区块链联邦学习不再只是论文里的名词，它们已经走进银行、医院与工厂，成为“数据可用不可见”时代的基础设施。

Vcross=⋀i=1mVerify⁡(hi)\displaystyle V_{\text{cross}} = \bigwedge_{i=1}^{m} \operatorname{Verify}(h_i)
  1. 跨链凭证$h_i$ 是第 i 个联盟链的区块头哈希，作为跨链协作的“通行证”。
    hi=联盟链 i 的区块头哈希\displaystyle h_i = \text{联盟链 } i \text{ 的区块头哈希}
  2. 验证谓词$\operatorname{Verify}(h_i)$ 是布尔函数，检验凭证是否与源链上的真实状态一致。
    Verify⁡(hi)∈{True,False}\displaystyle \operatorname{Verify}(h_i) \in \{\text{True}, \text{False}\}
  3. 合取逻辑$\bigwedge$ 表示所有 m 条凭证必须同时验证通过；任何一条链的凭证无效，整体信任就宣告失败。
    Vcross=⋀i=1mVerify⁡(hi)\displaystyle V_{\text{cross}} = \bigwedge_{i=1}^{m} \operatorname{Verify}(h_i)

AI 应用场景

银行反洗钱联合建模

阶段：隐私保护下的多机构协同训练

解决的问题：单一银行的反洗钱样本有限，模型泛化能力不足；直接合并数据又违反《个人信息保护法》。联邦学习让三家银行在“数据不出域”的前提下用MPC+同态加密保护梯度，区块链记录各家贡献与审计日志。

具体案例：某省城商行联盟搭建反洗钱联邦模型，3家银行各持百万级账户特征，通过加密联邦平均训练风控模型，可疑交易召回率提升约18%，监管机构可随时通过链上凭证追溯每家机构的贡献与调用记录。

多中心医疗AI辅助诊断

阶段：医疗影像数据的跨院协同建模

解决的问题：各医院影像数据无法集中，直接上传涉及患者隐私与伦理审查；联邦学习让训练过程不出院，梯度加密传输，全过程可审计。

具体案例：某城市医联体5家三甲医院共建肺结节筛查模型，每家本地训练ResNet，梯度经同态加密与MPC混淆后聚合，模型在外部验证集上AUC提升0.06；区块链记录每次聚合的模型版本与数据权益，为科研成果确权提供依据。

供应链碳排放可信核算

阶段：跨组织数据共享的可信审计

解决的问题：供应链各环节的排放数据分散在数十家企业，谁也不愿公开原始台账；联邦学习在不交换原始数据的前提下训练碳排放预测模型，区块链为每份交互凭证提供不可篡改的审计依据。

具体案例：某汽车主机厂联合15家零部件供应商，用联邦模型预测单件碳足迹，结算时以链上凭证为依据发放绿色信贷积分，模型协同训练后预测MAE下降22%，监管部门对数据的真实性信心大增。

Python 演示

python63 行
import numpy as np  def make_data(seed, n=200, dim=4):    rng = np.random.default_rng(seed)    x = rng.normal(size=(n, dim))    coef = np.array([1.2, -2.0, 0.8, 0.5])[:dim]    logit = x @ coef    y = (logit + rng.normal(scale=0.3, size=n)) > 0    return x.astype(np.float32), y.astype(np.float32)  class Client:    def __init__(self, x, y):        self.features = x        self.labels = y.reshape(-1, 1).astype(np.float32)        self.theta = np.zeros((x.shape[1], 1), dtype=np.float32)        self.lr = 0.2        self.epochs = 5     def local_train(self):        x, y = self.features, self.labels        for _ in range(self.epochs):            pred = 1.0 / (1.0 + np.exp(-x @ self.theta))            grad = x.T @ (pred - y) / len(y)            self.theta -= self.lr * grad        return self.theta.copy()  class MaskedClient(Client):    def local_train_masked(self):        theta = self.local_train()        mask = np.random.randn(*theta.shape).astype(np.float32)        return theta + mask, mask  def federated_round(clients):    masked_list = []    mask_list = []    for client in clients:        masked, mask = client.local_train_masked()        masked_list.append(masked)        mask_list.append(mask)    avg_theta = (sum(masked_list) - sum(mask_list)) / len(clients)    return avg_theta  def main():    clients = [MaskedClient(*make_data(seed=s)) for s in (7, 11, 13)]    for epoch in range(4):        avg = federated_round(clients)        for client in clients:            client.theta = avg        accs = []        for client in clients:            pred = 1.0 / (1.0 + np.exp(-client.features @ client.theta))            acc = np.mean((pred > 0.5).ravel() == client.labels.ravel())            accs.append(round(float(acc), 4))        print("round", epoch + 1, "acc", accs)  if __name__ == "__main__":    main()
目的：用三个带掩码的客户端模拟“加密联邦学习”——每家本地训练后给参数加上随机掩码再上交，服务器汇总时掩码相互抵消，还原出真实联邦平均参数。
  1. pred = 1.0 / (1.0 + np.exp(-x @ self.theta))逻辑斯蒂回归的前向计算，得到当前模型对样本的预测概率，相当于“试菜后的口感评价”。
  2. grad = x.T @ (pred - y) / len(y)损失函数对参数的梯度，也就是每家要寄出的“调味心得”。
  3. mask = np.random.randn(*theta.shape).astype(np.float32)生成与心得同尺寸的随机掩码，充当“保险柜锁”。
  4. return theta + mask, mask上交“加了锁的心得”，掩码单独保存；真实系统中掩码通过秘密分享分散到多方，不会集中在服务器。
  5. avg_theta = (sum(masked_list) - sum(mask_list)) / len(clients)服务器把收到的“密文心得”汇总，再减去所有“锁”，得到真实平均参数；体现安全多方计算中掩码相互抵消的思想。

常见误区

误区我们把联邦学习的梯度直接写进区块链，这样审计最方便，反正区块链是安全的。

正解梯度直接上链等于把心得贴在公告栏上，任何节点都可以通过梯度反演攻击还原训练样本。区块链上真正存的是“交互凭证”——梯度的哈希、数字签名、交易ID等指纹信息。原始梯度由同态加密或MPC保护，链上只负责证明“某时某方确实提交过某份心得”，二者各司其职。

为何常见：区块链的“公开透明”容易让人误以为“上链=安全”，混淆了“可验证”与“可公开”。

误区有了同态加密，梯度可以放心传给服务器，因为服务器在密文上什么信息也算不出来。

正解全同态加密的开销通常是明文的数百到上千倍，训练效率难以承受；且密文计算只保护“计算过程”，聚合结果的分布、计时侧信道、模型输出等仍可能泄露信息。业界实践普遍采用“同态加密+MPC+差分隐私”组合，而不是单一技术包打天下。

为何常见：看到“密文可计算”的宣传后，容易忽视性能代价和系统级侧信道。

误区数据都没上传，只传一下梯度，隐私肯定安全了。

正解深度学习研究已证明，梯度反演攻击可以从梯度中近似重建原始训练样本，人脸照片都能被还原。联邦学习只能保证训练样本不离开本地，但“心得”本身需要隐私计算再加密，区块链则负责事后审计与追责。三者缺一不可。

为何常见：人们容易把“数据不出域”当成“绝对安全”，低估了梯度这种高维统计量的信息含量。

误区我们的智能合约经过了形式化验证，链上资产绝不会出问题。

正解形式化验证只能证明合约代码与数学规格一致，无法覆盖预言机数据异常、链下参数配置错误、跨链桥接接口缺陷等问题。2016年DAO事件中，合约经审计仍被递归调用漏洞攻击，损失约6000万美元且不可回滚。因此需要“形式化验证+审计测试+运行时监控”多层兜底。

为何常见：把形式化验证当成万能银弹，忽略了“系统边界之外”的集成风险。

面试题

Q1. 联邦学习中最核心的隐私底线是什么？

单选题 · easy

  • A.数据始终留在本地不出域← 正确答案
  • B.模型参数可以直接公开
  • C.服务器可以查看原始样本
  • D.所有人共享同一份数据

答案：A。联邦学习的核心是数据不出域，原始样本永不上传，只交换梯度或参数心得。若模型参数可以直接公开或服务器能查看原始样本，就违背了这条底线，共享同一份数据更是与联邦学习背道而驰。

Q2. 梯度反演（Gradient Inversion）攻击主要威胁什么？

单选题 · mid

  • A.区块链的共识安全性
  • B.从梯度近似还原样本← 正确答案
  • C.同态加密的数学基础
  • D.客户端本地的数据存储

答案：B。梯度反演研究证明，攻击者可以从上传的梯度中近似重建原始训练样本（甚至人脸图片），这是联邦学习特有的隐私风险。它不针对区块链共识、同态加密基础或本地存储，而是针对“梯度交换”这一环节。

Q3. 同态加密最核心的性质是什么？

单选题 · mid

  • A.加密后的数据可以直接做运算← 正确答案
  • B.加密后的数据无法进行任何运算
  • C.密文比明文占用的空间更小
  • D.加密和解密必须使用同一把钥匙

答案：A。同态加密允许直接在密文上执行加法和乘法，得到的结果解密后与明文运算一致，这正是“保险柜不打开也能参与混合”的数学基础。密文通常更大而非更小，是否同钥加密取决于具体算法，均非核心性质。

Q4. 安全多方计算中的“秘密分享”指的是什么？

单选题 · mid

  • A.把秘方片段上传到公共服务器
  • B.把秘密切成碎片分发给多方保管← 正确答案
  • C.用公钥加密后再发送一次密钥
  • D.在区块链上记录全部明文数据

答案：B。秘密分享把敏感值拆成多份碎片，分发给不同参与方，单一方无法还原，只有凑齐足够碎片才能恢复秘密。上传公共服务器是明文暴露，公钥加密是传输加密，在链上记录明文更是危险操作，三者都不是秘密分享。

Q5. 区块链在联邦学习中可以承担哪些角色？

多选题 · easy

  • A.固化交互凭证和审计日志← 正确答案
  • B.记录贡献激励与清算流水← 正确答案
  • C.让参与方原始数据自动互传
  • D.为训练过程提供可追溯证据← 正确答案

答案：ABD。区块链通过不可篡改的账本固化凭证、记录激励流水、提供全程追溯证据，解决多方信任问题。它并不传输原始数据——数据出域恰恰是联邦学习要避免的，故C错误。

Q6. PBFT 共识要容忍 f 个拜占庭节点，系统总节点数至少需要多少？

单选题 · hard

  • A.不少于 n 个节点即可
  • B.至少 2f+1 个节点
  • C.至少 3f+1 个节点← 正确答案
  • D.至少 4f+1 个节点

答案：C。PBFT通过两轮投票达成共识，要求诚实节点数量严格超过总数的三分之二，因此总节点数需满足 N ≥ 3f+1。2f+1 是故障容忍（非拜占庭）的下界，4f+1 过于保守，不适用于标准PBFT。

Q7. 以下哪些属于隐私计算技术？

多选题 · easy

  • A.同态加密算法← 正确答案
  • B.安全多方计算← 正确答案
  • C.差分隐私技术← 正确答案
  • D.量子退火算法

答案：ABC。同态加密、安全多方计算、差分隐私是三大主流隐私计算技术，分别对应“柜外可算”“碎片互验”“花椒粉掩盖”。量子退火是量子计算领域的优化算法，与隐私计算无关。

Q8. 智能合约的形式化验证主要证明什么？

单选题 · mid

  • A.合约代码的执行速度是最优的
  • B.合约满足给定形式化安全属性← 正确答案
  • C.合约部署的节点数量达到最多
  • D.合约消耗的燃料费用达到最小

答案：B。形式化验证用数学逻辑证明合约代码满足前置/后置条件等安全性质，例如“任何方都无法读取他人明文”。性能、节点数、Gas费用属于工程优化指标，不是形式化验证的证明对象。

Q9. 跨链桥接在联邦学习联盟中的主要风险是什么？

单选题 · hard

  • A.链上凭证会被桥接合约永久锁定
  • B.桥接合约漏洞可导致凭证被伪造← 正确答案
  • C.链上数据可以被管理员完全删除
  • D.跨链之后的数据无法进行任何加密

答案：B。跨链桥依赖合约对源链状态的验证逻辑，一旦合约存在漏洞，攻击者可能伪造或重放凭证，导致跨联盟信任被破坏。历史上多起跨链桥攻击均源于合约漏洞，而非凭证被锁、数据被删或无法加密。

Q10. 防止梯度反演攻击的有效措施有哪些？

多选题 · mid

  • A.对梯度添加噪声（差分隐私）← 正确答案
  • B.使用多方计算混淆梯度信息← 正确答案
  • C.把梯度原样在公开频道广播
  • D.限制梯度返回的粒度和频次← 正确答案

答案：ABD。差分隐私加噪、MPC混淆、限制梯度返回粒度都能增加反演难度。原样广播梯度等于把心得公开在公告栏上，恰恰是攻击者最欢迎的行为，会显著放大反演风险。