剛剛，阿里巴巴達摩院發布新型聯邦學習框架 FederatedScope，該框架支持大規模、高效率的聯邦學習異步訓練，能兼容不同設備運行環境，且提供豐富功能模塊，大幅降低了隱私保護計算技術開發與部署難度。該框架現已面向全球開發者開源。

隱私保護是數字經濟的安全底座，如何在保障用戶數據隱私的同時提供高質量連通服務，成為數字經濟時代的重要技術課題。為破解隱私保護與數據應用的兩難，以 “數據不動模型動” 為理念的聯邦學習框架應運而生，并成為隱私保護計算近年最主流的解決方案之一。

具體而言，聯邦學習框架成功實現了“數據可用不可見”。用戶自身的數據從始至終都停留在用戶自己的手機或汽車等終端內，不會“出域”;同時，訓練機器學習模型需要的信息，譬如梯度，會以不同的方式被保護(加密、加噪聲或拆分)，然后在云端的服務器進行聚合，從而進行模型訓練;此后云端再將更新的模型推送給手機端或者車端。通過這樣的交互和迭代過程，服務提供商既能夠訓練高性能的模型為用戶提供服務，同時也能保護好用戶的數據隱私。

目前開源的聯邦學習框架包括TensorFlow Federated(TFF)、FATE等。這些框架提供了聯邦學習相關基礎組件及實現方式，如聯邦聚合、差分隱私、同態加密等，為聯邦學習相關社區研究和工業應用都提供了一定支持。

然而，現實生活中日益多樣化的應用場景，以及聯邦學習任務中存在的異構特點(如數據異構，系統資源異構，行為異構等)，給聯邦學習框架帶來了新的挑戰。目前已有的聯邦學習框架難以靈活高效地滿足現實中越來越復雜的計算需要，需從注重“可用”向注重“好用”轉變。

首先，聯邦學習參與方之間傳遞的信息形式會更加豐富，不再局限于模型參數或者梯度這一類的同質信息。例如在圖數據上的聯邦學習，參與方之間還會傳遞節點的嵌入式表示等信息;在垂直聯邦學習的場景下，參與方之間還會傳遞公鑰和一些加密過的中間結果信息。豐富的信息種類要求聯邦學習框架能靈活支持不同類型的信息傳遞。

其次，聯邦學習參與方的行為種類更加多變，不再拘泥于傳統的 “服務器端負責聚合，用戶端負責本地訓練” 的模式。例如在跨設備的聯邦學習場景中，往往需要對服務器端的模型做壓縮處理，來滿足終端設備的運行要求;而在終端設備上，往往會對收到的模型進行微調來取得更好的效果。多樣化的參與方的行為要求聯邦學習框架能夠靈活地支持多種自定義行為。

同時，聯邦學習參與方的響應速度和可靠性參差不齊，采用傳統的同步訓練的方式容易造成訓練效率差，系統利用率低等問題。這要求聯邦學習框架能夠允許開發者根據應用場景采用不同的異步訓練策略，在保證訓練效果的同時提升訓練的效率。

再者，現實應用中聯邦學習參與方可能搭載不同的模型訓練環境，例如有些設備后端環境使用的是 PyTorch，而另外一些則使用 TensorFlow。這要求聯邦學習框架需要有更好的兼容性，能支持跨平臺組建聯邦學習，而避免要求使用者費時費力地對所有參與方進行環境的適配。

最后，聯邦學習框架應該為單機仿真和分布式部署提供統一的算法描述和接口，以滿足研究者和開發人員不同的應用需求，并降低從仿真到部署的遷移難度，縮小聯邦學習從學術研究到工業應用的鴻溝。

為解決上述挑戰，達摩院智能計算實驗室研發了聯邦學習框架 FederatedScope，該框架于 5 月 5 日正式對外發布并開源。

FederatedScope 采用事件驅動的編程范式，用于支持現實場景中聯邦學習應用的異步訓練，并借鑒分布式機器學習的相關研究成果，集成了異步訓練策略來提升訓練效率。具體而言，FederatedScope 將聯邦學習看成是參與方之間收發消息的過程，通過定義消息類型以及處理消息的行為來描述聯邦學習過程。

FederatedScope 通過把聯邦過程(例如協調不同的參與方)和模型訓練行為(例如訓練數據采樣、優化等)解耦開，使開發者能夠專注于定制參與方處理收到消息的行為，而不需要從順序執行的角度考慮如何串聯不同參與方。例如在經典的 FedAvg 算法實現中，用戶只需定義聚合端收到用戶端發送的模型參數信息后的聚合行為，以及用戶端收到聚合端廣播新一輪模型參數之后的本地訓練行為。

對于包含異質消息傳遞和豐富消息處理行為的聯邦學習任務，FederatedScope 支持用戶通過添加額外的消息類型和處理行為進行定制化。同時，FederatedScope 內置了大量的消息類型和相應的消息處理行為，能夠很好地服務不同場景下的聯邦任務，很大程度地降低了開發者和使用者的上手門檻。

同時，達摩院團隊對 FederatedScope 訓練模塊進行抽象，使其不依賴特定的深度學習后端，能兼容 PyTorch、Tensorflow 等不同設備運行環境，大幅降低了聯邦學習在科研與實際應用中的開發難度和成本。

圖 1. 經典聯邦學習

圖 2. 事件驅動

為進一步適應不同的應用場景，FederatedScope 還集成了多種功能模塊，包括自動調參、隱私保護、性能監控、端模型個性化。FederatedScope 支持開發者通過配置文件便捷地調用集成模塊，也允許通過注冊的方式為這些模塊添加新的算法實現并調用。具體而言：

(1)自動調參能大幅降低搜索最優超參的時間和資源消耗。FederatedScope 提供了最新的聯邦學習自動調參算法方便開發者直接使用。同時，自動調參模塊也抽象了自動調參算法框架，從而方便研究人員開發新的調參算法。

(2)隱私保護是所有場景的通用需求，FederatedScope 的隱私保護模塊提供了主流的隱私保護機制，包括多方安全計算、同態加密和差分隱私。除此以外，隱私保護模塊額外提供了主流的隱私評估算法，方便開發者驗證隱私保護的強度。

(3)性能監控能夠幫助開發者隨時了解訓練進展，及時發現訓練異常。FederatedScope 的性能模塊能以友好的界面展示訓練過程的多種中間信息，包括每一個用戶端的訓練結果和聚合端的評價等。

(4)由于聯邦學習參與方的數據分布和設備性能可能存在較大的差異性，端模型個性化是應用場景中的強需求。FederatedScope 的端模型個性化模塊實現了差異化訓練配置、定制訓練模塊、個性化參與方的訓練行為、維護全局和個性化的本地模型等功能，從而達成端云協同。同時端模型個性化模塊提供了豐富的個性化算法方便開發者調用。

相比傳統的聯邦學習框架，FederatedScope 易用性尤為突出，以下幾個例子可具體說明：

(1)對于初次接觸聯邦學習的使用者來說，FederatedScope 提供了詳盡的教程、文檔和運行腳本，能夠引導用戶快速入門上手聯邦學習。FederatedScope 也包含了常用的模型架構實現，對一些基準數據集也做了統一的預處理和封裝，以幫助用戶便捷地開展實驗。

(2)對于希望將經典聯邦學習應用在不同下游任務的開發者，如使用不同的數據和模型架構，FederatedScope 允許通過注冊的方式使用準備好的新數據集和模型架構，而不需要修改其他的細節。另外，FederatedScope 也支持根據任務類型定制不同的性能監控和評價指標。

(3)對于希望深入研究和開發聯邦學習算法的用戶，需要足夠的自由度在聯邦學習中添加異質信息交換和多樣的處理行為，在FederatedScope中只需定義消息的類型和相應的處理函數。相比現有的聯邦學習框架，FederatedScope的優點在于不需要開發者將聯邦學習的過程用順序執行的視角來完整描述，而只需采用事件驅動的方式增加新的消息類型和消息處理行為，系統協助完成自動調參和高效異步訓練，降低了所需的開發量以及復雜度。

總體而言，通過采用事件驅動的編程范式，將聯邦學習抽象成異構消息的傳輸和處理，同時集成豐富多樣的算法策略和功能模塊，FederatedScope 能夠很好的應對聯邦學習應用中存在的異構特點，靈活地支持不同聯邦學習應用場景的多樣化需求，且易于使用和二次開發。與現有的聯邦學習框架相比，FederatedScope 大幅降低了開發者應用的難度。

達摩院智能計算實驗室隱私保護計算團隊負責人丁博麟表示，“數據已成為重要的生產要素，而隱私保護計算是保障這一要素發揮作用的關鍵技術。通過開源最新聯邦學習框架，我們希望促進隱私保護計算在研究和生產中的廣泛應用，讓醫藥研發、政務互通、人機交互等數據密集領域更安全、更順暢地發展。”

Gartner 相關報告顯示，到 2025 年之前，約 60% 的大型企業預計將應用至少一種隱私保護計算技術。達摩院 2022 十大科技趨勢同樣將隱私保護計算列為重要趨勢，認為該技術將從覆蓋少量數據的場景走向全域保護，從而激發數字時代的新生產力。