精彩回顾｜基于FATE的可验证秘密分享算法详解及应用场景分享
2022年6月24日下午，由FATE开源社区发起的系列线上公开课——FATE 「LIGHT UP」计划第三期成功举办，直播观看量超过两千人次。本次公开课中，我们邀请到了两位FATE社区核心贡献者-光大科技有限公司数据工程师李钰和樊昕晔，为大家详细介绍基于FATE的可验证秘密分享算法及其相应的金控应用场景。
01
李钰
光大科技有限公司数据工程师，从事联邦学习及区块链等领域研究，FATE开源社区开发专委会成员。负责光大集团联邦学习系统架构设计、平台建设、算法开发等工作。
02
樊昕晔
光大科技有限公司数据工程师，FATE开源社区开发专委会成员，现致力于联邦学习、机器学习等领域的研究。他在光大集团联邦生态的建设中负责平台搭建、算法开发等工作，并在FATE社区发表技术文章，为社区成员答疑解惑。
精
彩
回
顾
另外，还结合金融领域的数据共享现状及数据合规等要求，分享了光大集团的联邦学习应用实践。光大科技在赋能光大集团数字化转型的发展过程中，利用联邦学习等隐私计算技术，积极探索“数据不动模型动，隐私不显价值显”的数据价值挖掘模式，积累了大量案例和实践经验。
在本次直播过程中，观众朋友们讨论热烈，也提出了许多宝贵问题，下面为大家做出解答。
问
直播中提到用两个节点去模拟三方（host guest arbiter），arbiter是在哪一个节点？
答
李钰：模拟三方的安全求和时，不使用arbiter。三方的角色分配为guest，host_0，host_1，三方实际的地位是相等的，可以类别三方隐私求交模块。
问
秘密共享是否考虑了设备掉线的影响？
答
李钰：这里的算法没有考虑设备掉线的问题，节点可用性依赖于fate， 我们更多是从数学角度确保安全性与完备性。
问
随机数r和阈值的选择有什么讲究吗？
答
樊昕晔：我们采用python中的random.getrandbits(k)函数来生成随机数r，用户可以根据场景的安全等级来设置k的大小，从而生成不同比特位的r。这里选择与阈值thres而非与0比大小，是因为我们希望算法适配更多的场景，并非所有的场景对于相等条件的要求如此苛刻，所以算法这里提供了thres的容错。
问
Random pool与两方的样本对齐大小相关吗？每个随机数使用的轮数有什么trade-off考虑吗?
答
樊昕晔：Random pool的大小选取可以理解为算法的超参数，这个参数与对齐样本的数量是相关的。如果抛开场景本身要求的安全性，对齐样本的数量越多，random pool的大小理应越大。算法中的trade-off指的还是效率和安全之间的制衡，分享中重点提到了random pool的size大小会是一个决定因素。
问
光大有作为数据提供方和外部需求方进行隐私计算业务落地的场景吗？
答
樊昕晔：我理解您这里说的外部机构指的是除光大集团及其子公司以外的其他机构。我们有这样的落地案例，在落地案例中，光大都不是数据提供方的角色。
扫描左边二维码，关注视频号，点击直播回放即可回顾公开课视频内容~
END
扫码关注FATE开源社区