如果有A、B、C三位同學，他們各自手上有10、15、20塊錢，這時需要在相互不知道對方有多少錢的情況下，不借助力第三方來計算三個人一共有多少錢。請問這時候，我們如何實現呢？——這，就是最經典的祕密共享場景。在看完這篇文章後，答案就出來了~
背景
互聯網時代，一切基於數據。
隨着人工智能的興起，數據的質量和數量，已經成爲影響機器學習模型效果最重要的因素之一，因此通過數據共享的模式來“擴展”數據量、從而提升模型效果的訴求也變得越發強烈。
但在數據共享過程中，不可避免會涉及到兩個問題：隱私泄露和數據濫用。
提到這兩個關鍵詞，大家一定都對其背後的緣由有所耳聞：
第一則：2018年3月，劍橋諮詢公司通過FaceBook的數據共享漏洞，收集了5000萬用戶信息，據說有可能利用這些信息操控美國總統競選，造成惡劣社會影響；事件曝光後，FB公司股票大跌7%，引發一系列後續問題。
第二則：2018年5月，歐盟通過General Data Protection Regulation（GDPR）法案，法案指出：所有與個人相關的信息都是個人數據，對數據的使用行爲必須要有用戶的明確授權。把對隱私保護的要求提到了一個新的高度。
隨着對數據安全的重視和隱私保護法案的出臺，以前粗放式的數據共享受到挑戰，各個數據擁有者重新回到數據孤島的狀態，同時，互聯網公司也更難以收集和利用用戶的隱私數據。
數據孤島現象不僅不會消失，反而會成爲新的常態，甚至它不僅存在於不同公司和組織之間，在大型集團內部也存在。未來，我們必須面對這樣的現狀：如果我們想更好的利用數據，用大數據和AI做更多有意義的事情，就必須在不同組織之間、公司與用戶之間進行數據共享，但這個共享需要滿足隱私保護和數據安全的前提。
隱私泄漏和數據濫用如同達摩克利斯之劍懸在各個公司和組織頭上，因此解決數據孤島，成爲AI行業需要解決的首要問題之一。
如何解決數據孤島問題？
當前，業界解決隱私泄露和數據濫用的數據共享技術路線主要有兩條。一條是基於硬件可信執行環境（TEE： Trusted Execution Environment）技術的可信計算，另一條是基於密碼學的多方安全計算（MPC：Multi-party Computation）。
TEE字面意思是可信執行環境，核心概念爲以第三方硬件爲載體，數據在由硬件創建的可信執行環境中進行共享。這方面以Intel的SGX技術，AMD的SEV技術，ARM的Trust Zone技術等爲代表。TEE方案的大致原理如下圖所示：
目前在生產環境可用的TEE技術，比較成熟的基本只有Intel的SGX技術，基於SGX技術的各種應用也是目前業界的熱門方向，微軟、谷歌等公司在這個方向上都有所投入。
SGX（Software Guard Extensions ）是Intel提供的一套軟件保護方案。SGX通過提供一系列CPU指令碼，允許用戶代碼創建具有高訪問權限的私有內存區域（Enclave - 飛地），包括OS，VMM，BIOS，SMM均無法私自訪問Enclave，Enclave中的數據只有在CPU計算時，通過CPU上的硬件進行解密。同時，Intel還提供了一套遠程認證機制（Remote Attestation），通過這套機制，用戶可以在遠程確認跑在Enclave中的代碼是否符合預期。
MPC（Multi-party Computation，多方安全計算）一直是學術界比較火的話題，但在工業界的存在感較弱，之前都是一些創業小公司在這個方向上有一些探索，例如Sharemind，Privitar，直到谷歌提出了基於MPC的在個人終端設備的“聯邦學習” (Federated Learning）的概念，使得MPC技術一夜之間在工業界火了起來。MPC方案的大致原理如下圖所示
目前，在MPC領域，主要用到的是技術是混淆電路（Garbled Circuit）、祕密分享（Secret Sharing）和同態加密（Homomorphic Encryption）。
混淆電路是圖靈獎得主姚期智教授在80年代提出的一個方法。其原理是，任意函數最後在計算機語言內部都是由加法器、乘法器、移位器、選擇器等電路表示，而這些電路最後都可以僅由AND和XOR兩種邏輯門組成。一個門電路其實就是一個真值表，假設我們把門電路的輸入輸出都使用不同的密鑰加密，設計一個加密後的真值表，這個門從控制流的角度來看還是一樣的，但是輸入輸出信息都獲得了保護。
祕密分享的基本原理是將每個數字隨機拆散成多個數並分發到多個參與方那裏。然後每個參與方拿到的都是原始數據的一部分，一個或少數幾個參與方無法還原出原始數據，只有大家把各自的數據湊在一起時才能還原真實數據。
同態加密是一種特殊的加密方法，允許對密文進行處理得到仍然是加密的結果，即對密文直接進行處理，跟對明文進行處理後再對處理結果加密，得到的結果相同。同態性來自抽象代數領域的概念，同態加密則是它的一個應用。
當前，業界針對數據共享場景，利用上面的技術路線推出了一些解決方案，包括隱私保護機器學習PPML、聯邦學習、競合學習、可信機器學習等，但這些方案只利用了其中的一部分技術，從而只適合部分場景，同時基本處於學術研究階段，沒有在生產環境落地。
共享機器學習：螞蟻金服數據孤島解決方案
爲了更好的應對形勢變化，解決數據共享需求與隱私泄露和數據濫用之間的矛盾，螞蟻金服提出了希望通過技術手段，確保多方在使用數據共享學習的同時，能做到：用戶隱私不會被泄露，數據使用行爲可控，我們稱之爲共享機器學習（Shared Machine Learning）。
共享機器學習的定義：在多方參與且各數據提供方與平臺方互不信任的場景下，能夠聚合多方信息並保護參與方數據隱私的學習範式。
從17年開始，螞蟻金服就一直在共享機器學習方向進行探索和研究，在結合了TEE與MPC兩條路線的同時，結合螞蟻的自身業務場景特性，聚焦於在金融行業的應用。
螞蟻金服共享機器學習方案擁有如下特性：
- 多種安全計算引擎整合，可基於不同業務場景來選擇合適的安全技術。既有基於TEE的集中式解決方案，也有基於MPC的分佈式解決方案；既可滿足數據水平切分的場景，也能解決數據垂直切分的訴求；既可以做模型訓練，也可以做模型預測。
- 支持多種機器學習算法以及各種數據預處理算子。支持的算法包括但不限於LR，GBDT，Xgboost，DNN，CNN，RNN，GNN等。
- 大規模集羣化。支持大規模集羣化，提供金融級的高效、穩定、系統化的支撐。
基於數年沉澱與積累，目前共享機器學習技術已在銀行、保險、商戶等行業成功落地諸多場景業務。通過在業務中打磨出的金融級共享機器學習能力，沉澱下來一套數據共享場景的通用解決方案，未來會逐步對外開放。
在幾年的艱苦研發中，共享學習累積專利50餘項。在2019中國人工智能峯會上，共享機器學習獲得“紫金產品創新獎”，在8月16日的全球人工智能創業者大會上，獲得“應用案例示範獎”。
下面，我們將分享基於上面兩種路線的共享機器學習實踐細節。
基於TEE的共享學習
螞蟻共享學習底層使用Intel的SGX技術，並可兼容其它TEE實現。目前，基於SGX的共享學習已支持集羣化的模型在線預測和離線訓練。
1.模型在線預測
預測通常是在線服務。相對於離線訓練，在線預測在算法複雜度上面會相對簡單，但是對穩定性的要求會更高。
提升在線服務穩定性的關健技術之一就是集羣化的實現——通過集羣化解決負載均衡，故障轉移，動態擴容等穩定性問題。
但由於SGX技術本身的特殊性，傳統的集羣化方案在SGX上無法工作。
爲此，我們設計瞭如下分佈式在線服務基本框架：
該框架與傳統分佈式框架不同的地方在於，每個服務啓動時會到集羣管理中心（ClusterManager，簡稱CM）進行註冊，並維持心跳，CM發現有多個代碼相同的Enclave進行了註冊後，會通知這些Enclave進行密鑰同步，Enclave收到通知後，會通過遠程認證相互確認身份。當確認彼此的Enclave簽名完全相同時，會通過安全通道協商並同步密鑰。
該框架具備如下特性：
- 通過集羣化方案解決了在線服務的負載均衡，故障轉移，動態擴縮容，機房災備等問題；
- 通過多集羣管理和SDK心跳機制，解決代碼升級，灰度發佈，發佈回滾等問題；
- 通過ServiceProvider內置技術配合SDK，降低了用戶的接入成本；
- 通過提供易用性的開發框架，使得用戶在開發業務邏輯時，完全不需要關心分佈式化的邏輯；
- 通過提供Provision代理機制，確保SGX機器不需要連接外網，提升了系統安全性。
目前在這套框架之上已經支持包括LR、GBDT、Xgboost等多種常用的預測算法，支持單方或多方數據加密融合後的預測。基於已有框架，也可以很容易的擴展到其它算法。
2.模型離線訓練
模型訓練階段，除了基於自研的訓練框架支持了LR和GBDT的訓練外，我們還藉助於LibOs Occlum和自研的分佈式組網系統，成功將原生Xgboost移植到SGX內，並支持多方數據融合和分佈式訓練。通過上述方案，不僅可以減少大量的重複性開發工作，並且在Xgboost社區有了新的功能更新後，可以在SGX內直接複用新功能，無需額外開發。目前我們正在利用這套方案進行TensorFlow框架的遷移。
此外，針對SGX當下詬病的128M內存限制問題（超過128M會觸發換頁操作，導致性能大幅下降），我們通過算法優化和分佈式化等技術，大大降低內存限制對性能的影響。
基於TEE的多方數據共享學習訓練流程如下：
- 機構用戶從Data Lab下載加密工具
- 使用加密工具對數據進行加密，加密工具內嵌了RA流程，確保加密信息只會在指定的Enclave中被解密
- 用戶把加密數據上傳到雲端存儲
- 用戶在Data Lab的訓練平臺進行訓練任務的構建
- 訓練平臺將訓練任務下發到訓練引擎
- 訓練引擎啓動訓練相關的Enclave，並從雲端存儲讀取加密數據完成指定的訓練任務。
採用該方式進行數據共享和機器學習，參與方可以保證上傳的數據都經過加密，並通過形式化驗證保證加密的安全性。
基於MPC的共享學習
螞蟻基於MPC的共享學習框架分爲三層：
- 安全技術層：安全技術層提供基礎的安全技術實現，比如在前面提到的祕密分享、同態加密、混淆電路，另外還有一些跟安全密切相關的，例如差分隱私技術、DH算法等等；
- 基礎算子層：在安全技術層基礎上，我們會做一些基礎算子的封裝，包括多方數據安全求交、矩陣加法、矩陣乘法，以及在多方場景下，計算sigmoid函數、ReLU函數等等；同一個算子可能會有多種實現方案，用以適應不同的場景需求，同時保持接口一致；
- 安全機器學習算法：有了基礎算子，就可以很方便的進行安全機器學習算法的開發，這裏的技術難點在於，如何儘量複用已有算法和已有框架，我們在這裏做了一些有益的嘗試，但也遇到了很大的挑戰。
目前我們這套基於MPC的共享學習框架已支持了包括LR、GBDT、GNN等頭部算法，後續一方面會繼續根據業務需求補充更多的算法，同時也會爲各種算子提供更多的技術實現方案，以應對不同的業務場景。
基於MPC的多方數據共享學習訓練流程如下：
如圖所示，訓練步驟爲：
- 機構用戶從Data Lab下載訓練服務並本地部署
- 用戶在Data Lab的訓練平臺上進行訓練任務的構建
- 訓練平臺將訓練任務下發給訓練引擎
- 訓練引擎將任務下發給機構端的訓練服務器Worker
- Worker加載本地數據
- Worker之間根據下發的訓練任務，通過多方安全協議交互完成訓練任務
訓練引擎的具體架構如下：
其中Coordinator部署於螞蟻平臺，用於任務的控制和協調，本身並不參與實際運算。Worker部署在參與多方安全計算的機構，基於安全多方協議進行實際的交互計算。
用戶在建模平臺構建好的訓練任務流會下發給Coordinator的Task Flow Manager，Task Flow Manager會把任務進行拆解，通過Task Manager把具體算法下發給Worker端的Task Executor，Task Executor根據算法圖調用Worker上的安全算子完成實際的運算。
利用這套方法，可以做到數據不出域就可以完成數據共享，訓練工具可以部署在本地的服務器。
共享學習 VS. 聯邦學習
目前，國內對於數據共享場景的機器學習解決方案，比較熟悉的可能是由谷歌提出的聯邦學習概念。
經過我們的瞭解，其實聯邦學習目前涉及兩個不同的概念：
- 第一種聯邦學習，旨在解決雲 + 端的訓練過程中，端上的隱私不要被暴露的問題，是一個To C + 數據水平切分的場景。除了保護端上的數據隱私外，其重點還在於如何解決訓練過程中，端自身可能掉線等問題。
- 第二種聯邦學習則主要用於解決To B場景中各方隱私不泄露的問題，即可以應用於數據的水平切分場景，也可以應用於數據垂直切分的場景。
它們側重於不同的數據共享場景，採用不同的技術，相比之下，螞蟻金服的共享學習兼容多種安全計算技術，並且支持多種機器學習算法和使用場景。
除此之外，共享學習和聯邦學習的差異在於：
- 聯邦學習只解決數據不出域的情況，這就限制了其可以使用的技術（只有嚴格的MPC算法才符合這個要求），而共享學習目前基於TEE的集中式共享學習技術，是聯邦學習沒有涉及的；
- 聯邦學習講究的是參與各方的“身份和地位”的相同，所以叫聯邦；而共享學習則不強調各共享方的地位對等，在很多場景下，不同的參與方是擁有不同的角色的。
目前，數據共享下的機器學習仍然還有很多可突破的地方，這些不同只是對當前狀態的一個比較，希望大家能對共享學習有更好的理解。
未來展望
讓數據孤島在安全環境下進行連接、合作、共創、賦能，是螞蟻金服共享機器學習的核心使命。
共享機器學習作爲一個安全與AI的交叉學科，正在越來越受到關注，尤其是在金融行業，有着廣闊的應用空間。但是，這個領域的各項技術，也遠未到成熟的階段。我們團隊經過兩年的摸索，也只是取得了階段性的一些成果，在算法的計算性能以及支持算法的多樣性等各個方面，還有一段路要走。
9月27日杭州雲棲大會，螞蟻金服將向外界首次分享共享學習的理念和實踐，歡迎屆時關注。後續我們也會分享更多共享學習方面的研究進展及實踐經驗， 歡迎業界同仁交流探討，共同探索更多更強的數據孤島解決方案，推進數據共享下的機器學習在更多場景下落地。