基于中国剩余定理的Paillier加密改进方法

联邦学习（federated learning, FL）是最近几年快速兴起的一种分布式机器学习算法，可以在不交换数据的前提下保护隐私。但是在模型训练的过程中，由于一些“诚实且好奇”的客户端的参与，可能会导致隐私信息的泄露或遭受到成员推理、属性推理或恢复数据训练等攻击。因此，对于联邦学习中隐私保护技术的研究已经成为新的热点。在现阶段的研究中，常采用同态加密（homomorphic encryption, HE）技术进行隐私保护，而Paillier同态是最常用的加密算法之一。为了使得加密算法更高效，利用中国剩余定理（Chinese remainder theorem, CRT）对Paillier同态加密算法的计算过程进行优化，并与未优化的Paillier加密算法进行对比实验。实验结果表明，优化后的加密算法在联邦学习中，既提升了其隐私性能，也提高了同态加密计算的效。