6.3.2　算法结构

与纵向联邦学习的设置相同，每个节点保存有自己本地的纵向划分数据，下文中的本地代指单个节点。图6-2给出了VFKL算法的系统架构。就像我们前面提到的那样，VFKL的主要思想就是随机特征的计算可以纵向划分。具体来说，我们分别给出了数据隐私保护、模型隐私保护和树结构通信的详细介绍。

图6-2　VFKL的系统结构。聚合器在此章仅代指聚合（加和）操作

• 数据隐私保护：为了在技术上保护纵向划分数据的隐私，我们需要划分ϕωi（xi）=的计算，以避免将本地数据传送给其他节点。具体来说，我们给第ℓ个节点发送一个随机种子。一旦接收到随机种子，该节点就会根据随机种子唯一地生成随机方向ωi。因此，我们本地计算，就避免了直接将本地数据传送给其他节点来计算。在6.3.3节，我们将讨论为何根据其他节点传来的值很难推出任意的。
• 模型隐私保护：模型参数αi分别秘密地保存在不同的节点中。根据模型参数αi的位置，我们将模型参数分为，其中表示第ℓ个节点的模型参数，是对应迭代次数索引的集合。我们不直接传送本地模型的参数给其他节点。为了得到f（x），本地计算，然后传给其他节点，接着就可以通过累加得到f（x）。如果≥2，基于的值将很难推出本地模型参数。因此，我们在技术上达到了模型隐私保护。
• 树结构通信：Zhang等人于2018年提出了一个高效的树结构通信机制来获得全局和，这比简单的星型通信和环形通信更快。我们为了更快、更隐秘地从不同节点累加本地结果而采用这种机制。以4个节点为例，对节点进行配对，这样当节点1加上来自节点2的结果时，节点3可以加上来自节点4的结果。最后，来自这两对节点的结果被发送到聚合器，我们获得全局和，如图6-3a所示。如果上述过程的顺序相反，我们称其为逆序树结构通信。

图6-3　在两种完全不同的树结构T1和T2上进行的树结构通信