近日，山东区块链研究院与清华大学、山东大学在机器学习领域共同完成的一项重大研究成果“AegisFL: Efficient and Flexible Privacy-Preserving Byzantine-Robust Cross-silo Federated Learning”成功在机器学习国际顶级会议ICML 2024上发表（CCF-A类会议）。这一成果不仅标志着我国在隐私保护拜占庭鲁棒性联邦学习（PBFL）领域的研究达到了国际领先水平，也为未来的数据共享和隐私保护提供了新的可能性。
隐私保护拜占庭鲁棒性联邦学习（PBFL）是新一代联邦学习设计的目标。但是现有PBFL方案面临三大问题：计算负担重、缺乏灵活性以及需要将全局模型暴露给服务器。针对这些问题，本研究成果深入分析了同态加密与鲁棒性聚合算法的耦合关系，为PBFL量身定做了一套编码方案，与基于环上容错学习问题(RLWE)的全同态加密完美契合，其服务器只需执行一次密文乘法就可根据需求构造各类鲁棒性聚合算法且全局模型只属于诚实的客户端。实验结果表明该方案同时具备隐私性、鲁棒性、高效性、准确性和灵活性。
山东区块链研究院自成立以来，致力于数据安全与数据要素可信流通领域关键技术的创新研究与产业化实践，在隐私计算、区块链、密码技术等领域取得了显著成就。其中，研究院自主研发的隐私计算平台——隐诺隐私计算平台，在中国信通院的可信隐私计算测评中，一次性通过多方安全计算基础能力、联邦学习基础能力、多方安全计算性能等三个专项测试，也是本批次唯一一个通过多方安全计算性能专项测试的产品。同时，在全部16个性能测评项目，有11项处于业内领先水平。
隐诺隐私计算平台采用的协议与基础算法等关键组件完全实现自主研发，在保证可证明安全的前提下，在安全求交、匿踪查询、联邦学习、多方安全统计分析等场景的计算、通讯效率方面处于国际领先水平。同时，隐诺隐私计算平台使用迪诺链作为底层基础架构，实现隐私计算任务执行过程的全程上链，确保隐私计算算法协议执行全过程可追溯，可审计，真正做到“数据可用不可见 用途可控可计量”，有效解决数据孤岛与数据垄断，降低合规成本，消除数字信任鸿沟，实现数据流通和隐私保护之间的平衡。
目前该平台业已在政务、民生、能源、航空等多个行业领域实现广泛应用，其中依托隐诺隐私计算平台打造的济南数字社会模数链，挂接了济南市千万级实有人口数据库，实现了数据“可用而不可见”，过程“可查可追溯”，已精准提供超过10万条关键数据，累计可信存证记录超400万条网格事件。
