该论文针对临床脑电图（EEG）数据在联邦学习场景中的隐私泄露问题，提出了一种基于掩码安全聚合（masking-based secure aggregation）的隐私保护联邦学习框架。传统联邦学习虽然允许医疗机构在不共享原始EEG数据的情况下协作训练共享模型，但攻击者仍可能从模型更新中推断敏感信息。为此，作者将安全聚合作为核心保护机制，并结合多种技术构建完整方案：基于图的通信架构、阈值秘密共享、抗掉线（dropout-resilient）聚合、本地更新裁剪（clipping）、可选的基于布隆过滤器的隐私保护记录链接初始化模块，以及基于辅助公证人（auxiliary notary）的可验证性机制。该框架同时支持半诚实（semi-honest）和恶意（malicious）聚合设置，并基于Flower联邦学习框架实现。实验采用TUH EEG衍生数据，在模拟的跨机构（cross-silo）医疗环境中，对不同客户端配置下的安全聚合变体进行评估。结果表明，在既定假设下，安全变体能够对聚合服务器隐藏个体更新，并且与联邦模型训练保持兼容；然而，恶意设置下的防护机制和轻量级一致性检查机制会带来额外的计算、通信和轮次延迟开销。其中，半诚实变体在安全配置中开销最低，而恶意设置和辅助公证人变体虽然成本更高，但提供了更强的一致性、完整性和轻量级验证支持。该研究适用于医疗AI隐私保护、联邦学习安全加固以及需要跨机构协作但高度敏感的数据场景。

本文提出了一种名为 NFSA 的非前向安全聚合协议，旨在解决联邦学习中现有安全聚合方案存在的通信开销大和安全隐患问题。传统基于服务器的安全聚合协议通常需要服务器在用户之间转发敏感数据，这不仅增加了通信轮次，还引入了数据泄露的风险。NFSA 通过结合 Shamir 秘密共享和基于伪随机函数（PRF）的 2-out-of-2 加法秘密共享，构建了两层秘密共享机制，从而消除了用户间的直接通信，无需服务器转发任何中间数据。为了支持高维数据聚合，作者进一步利用密钥同态 PRF（KhPRF）扩展了协议，使其适用于联邦学习场景，实现单服务器、单轮次的安全聚合。针对用户端开销，论文设计了基于中国剩余定理的编码方法，用于近似 KhPRF 掩码，显著减少了 KhPRF 调用次数，并缓解了掩码后模型更新膨胀的问题。实验结果表明，在用户数量为 100 时，NFSA 的通信效率相比现有方法提升近 100 倍，计算开销降低约 17%；当输入长度为 2^18 时，用户计算时间可减少 51% 至 75%。该研究为联邦学习中的隐私保护提供了一种高效、低开销的解决方案，适合对安全聚合协议和隐私计算感兴趣的研究人员阅读。

论文《Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection》解决了分布式地理数据中范围计数查询的隐私保护问题。现有方案要么泄露查询范围，要么因使用昂贵的安全比较操作导致效率低下，且大多假设数据不重叠，导致重叠场景下误差巨大。本文提出PPRC协议，同时满足隐私、效率和准确性要求。主要技术贡献包括：1）私有范围谓词（PRP）技术，将范围评估转化为加密成员测试，用高效的安全乘法替代昂贵的比较操作，从而保护查询范围；2）遗忘线性计数（OLC）聚合方案，仅使用轻量级密码操作安全聚合重叠数据组织的部分结果，不泄露最终计数以外的任何信息。理论分析和实验表明，PPRC相比基线协议误差最多减少55倍，速度提升最多37倍。该工作适用于多机构间的地理数据联合分析场景，如灾害响应、人口统计等，为实际部署提供了可行性。

该论文聚焦于联邦学习（FL）中的隐私保护问题。联邦学习作为一种分布式机器学习范式，允许多个客户端在不共享原始数据的前提下，通过聚合服务器联合训练全局模型。然而，现有研究表明，恶意聚合服务器可能通过客户端上传的模型更新发起推理攻击，窃取客户端的隐私信息。安全聚合（Secure Aggregation）技术旨在让聚合服务器仅能获取更新之和或平均值，从而保护个体更新。但现有的安全聚合协议存在通信开销大、计算复杂、轮次过多等缺陷。本文提出SAFELearn，一个通用的高效隐私联邦学习系统设计，专门抵御针对个体模型更新的推理攻击。其核心思想是结合安全多方计算（MPC）或全同态加密（FHE）技术，在不依赖可信第三方的前提下，实现仅两轮通信的聚合，且客户端无需执行昂贵的密码操作，同时支持客户端掉线处理。作者基于两方安全计算实例化该系统，并在实验中证明：聚合500个参数超过30万的模型，耗时不到0.5秒。总体来说，SAFELearn在保证隐私性的同时，大幅提升了联邦学习中安全聚合的效率与实用性。

本文提出ACORN，一种用于安全聚合协议的输入验证框架。安全聚合允许多方在不泄露各自私密输入的情况下计算聚合结果，但现有方案容易受到恶意参与者的投毒攻击或系统故障导致的错误输入影响。ACORN通过引入高效的零知识证明（ZKP）和分布式验证机制，使聚合方能够在不查看原始数据的情况下验证每个输入是否符合预设约束（如范围、格式、一致性），同时保持通信和计算开销与标准安全聚合相当。核心贡献包括：设计了一种针对向量和标量输入的通用验证协议，支持多种统计约束；利用同态加密和承诺方案实现可验证的隐私保护；在域内域外实验（如联邦学习梯度聚合）中表明ACORN仅增加约20%的通信成本，且验证延迟在毫秒级。该工作为安全聚合的实际部署提供了关键缺失的完整性保障，特别适用于联邦学习、隐私投票和分布式数据分析等场景。

本文研究了联邦学习中信息论安全聚合的容量问题。安全聚合允许服务器在保护用户更新隐私的前提下聚合本地更新。现有信息论问题通常假设由可信第三方（TTP）提供相关随机密钥，或通过预定义的组结构生成，但建立这些相关密钥的通信成本常被忽略。因此，在通用密钥分发机制下的基本极限尚不清楚。本文在包含密钥分发和聚合更新的两阶段框架下，研究了具有N个用户的T-colluding信息论安全聚合问题。与以往工作不同，本文通过用户间通信建模密钥分发，允许任意用户生成的密钥分发机制，消除了对TTP或预定义结构的依赖。这使得能够联合表征三个资源：安全随机性、密钥分发通信和聚合通信。通过构造一种新的安全聚合方案并匹配信息论逆定理，完全刻画了这三个资源之间的容量区域。特别地，本文给出了一个显式的确定性容量达到构造，适用于大小为至少N的任意有限域，而现有方案大多依赖TTP或在大有限域上使用随机或存在性构造。进一步证明，仅使用两两共享密钥即可实现最优性能，从而可通过Diffie-Hellman密钥交换实现。与Google的开创性安全聚合方案相比，所提方案在保持相同聚合通信开销的同时，所需随机掩码密钥更少。该成果为联邦学习中的隐私保护提供了理论基础和实用方案。

本文提出了一种名为 DisAgg 的新型安全聚合协议，用于联邦学习中的隐私保护。在传统联邦学习中，客户端更新直接暴露给中央服务器，存在隐私风险。现有的安全聚合方案虽然能抵御诚实但好奇的服务器，但通常存在通信轮数多、公钥操作重、难以处理客户端掉线等问题。最近提出的单轮私有聚合（OPA）虽然减少了通信轮数，但引入了大量的密码学和计算开销。DisAgg 通过引入一个由少量客户端组成的聚合器委员会来执行聚合操作：每个客户端使用秘密共享将其更新向量分发给聚合器，聚合器本地计算部分和，只返回聚合后的份额给服务器进行重构。这种设计消除了本地掩码和昂贵的同态加密，降低了端点的计算复杂度，同时保护了隐私（抵御好奇的服务器和有限数量的合谋客户端）。通过优化通信与计算成本的权衡，DisAgg 在处理来自 100k 个 5G 客户端的 100k 维更新向量时，相比于之前的最佳协议 OPA 实现了 4.6 倍的加速。论文通过理论分析和实验验证了 DisAgg 在效率、隐私保证和可扩展性方面的优势。

本文提出 Flamingo，一种用于大规模客户端数据安全聚合的系统，特别针对联邦学习中的多轮聚合场景。联邦学习中，服务器需要多次对客户端提交的模型权重进行求和（平均）以训练模型，但必须保证不泄露任何客户端的个体输入。现有协议如 Bell et al. (CCS '20) 主要针对单轮设计，通过重复执行来适应多轮场景，这导致每轮都需要昂贵的设置操作。Flamingo 的主要创新包括：1）消除了每轮设置，大大降低了通信和计算开销；2）提出了一种轻量级的 dropout 弹性协议，当客户端在聚合过程中中途退出时，服务器仍能获得有意义的结果，而无需像之前方案那样重新开始或丢弃整个聚合；3）引入了一种新的本地选择“客户端邻域”的方法（该概念由 Bell et al. 引入），使得每个客户端可以自主决定参与聚合的合作伙伴，从而减少客户端与服务器之间的交互次数。这些技术显著缩短了端到端训练时间。作者实现了 Flamingo 并在 (Extended) MNIST 和 CIFAR-100 数据集上进行了评估，结果表明它能够安全地训练神经网络，且模型收敛精度与无隐私保护的联邦学习系统相当，未出现精度损失。本文适合对联邦学习隐私保护、安全多方计算、高效密码协议感兴趣的研究者和工程师阅读。

联邦学习（FL）面临诸多安全攻击，但学界对其根本原因及有效防御缺乏整体理解。本文系统剖析了现有定向攻击的内部机制，揭示了攻击可行的原因在于：机器学习算法对尾部数据的记忆需求对FL完整性产生重大影响——这一现象此前主要被研究为隐私问题，本文首次阐明了其对模型完整性的关联。通过分析，作者发现对客户端更新施加范数约束（如L2和L∞界）可以显著缓解某些严重攻击。然而，在安全聚合协议中高效实施这些约束面临挑战，因为加密的梯度更新无法直接验证。为此，本文提出RoFL，一种新型安全FL系统，它在安全聚合的基础上扩展了隐私保护的输入验证功能。RoFL利用密码学技术，在不暴露明文更新的前提下，对高维加密模型更新强制执行L2和L∞界约束。实验表明，RoFL在保持模型准确率的同时，能有效防御多种投毒攻击，为FL的鲁棒性提供了可证明的保障。该工作为理解FL攻击的本质及设计实用防御方案提供了理论基础和实践指南。

本文提出了一种名为 WhiteCloak 的协议，旨在解决联邦学习安全聚合场景下匿名恶意客户端的问责问题。在安全聚合中，客户端数据通过加密手段聚合，保护了用户隐私，但也使得恶意客户端可以匿名破坏模型而不被追责。WhiteCloak 通过一种可验证的匿名身份绑定机制，在聚合过程中为每个客户端生成唯一但匿名的凭证，使得服务器在聚合后能够识别并排除恶意客户端，同时不泄露其真实身份。该协议结合了密码学承诺、零知识证明和可追溯签名，实现了隐私保护与问责性的平衡。实验表明，WhiteCloak 在额外计算开销可接受的前提下，有效提升了联邦学习系统的安全性。