- 新 workspace 成员 examples/(crate mpc-examples,publish = false):一场景一 bin, 跑法 cargo run -p mpc-examples --bin 03_vertical_lr;src/lib.rs 只提供参与方启动、 定点编解码、输出与断言,算法全在正文,调的是 mpc-* 真接口 - 12 个场景:01 密文四则/矩阵/sigmoid、02 PSI、03 纵向 LR、04 FedAvg、05 出域策略、 06 DP-FedAvg、07 密文推理、08 PIR、09 SCQL、10 分箱 WOE/IV、11 试跑、12 两方部署 - 12 的部署物在 examples/12_k8s_two_party/:多阶段 Dockerfile + namespace / alice(Headless Service + Job,--listen)/ bob(Job,--connect)+ README; 单二进制一条 TCP,不经 Ray,调度交给 k8s - tools/ci.sh 加第 4 关「示例冒烟」,调新增的 tools/examples.sh:逐 bin 跑, 判据为退出码 0 且输出无 [!!](check() 只打印不中断,只看退出码会漏断言) - 正文记录三条实测契约:matmul_trunc 两入参都须是分片,否则结果翻倍; sigmoid_poly 只在 ±6 内有效,越界发散到 1e6;多项式输出须先 reveal 再解码 - 实测:07 密文与明文偏差 1.97e-5 且 AUC 一致;09 密态与明文逐组一致; 11 同为 4 组 GROUP BY,逐组比较 156 轮 vs 整数码 23 轮
139 lines
4.9 KiB
Rust
139 lines
4.9 KiB
Rust
//! 示例 3:纵向联邦逻辑回归(全程密文训练)。
|
||
//!
|
||
//! 场景:同一批用户,特征分散在两家机构,标签只在其中一家手里。
|
||
//!
|
||
//! hospital: 体检指标 4 列
|
||
//! insurer : 理赔行为 3 列 + 标签 y
|
||
//!
|
||
//! 训练过程中:
|
||
//! * 特征矩阵、标签、梯度、权重 —— 全是加性分片,谁都看不到中间值;
|
||
//! * sigmoid 用多项式逼近替代(MPC 里做比较代价极高);
|
||
//! * 只有最后 `reveal` 那一步才是一次显式的、可审计的出域。
|
||
//!
|
||
//! 关键点:**各方只把自己那几列填进矩阵,其余列留 0**。
|
||
//! 两边的数组结构一样(`n × 7`),但任何人手里都不是完整的 X。
|
||
//!
|
||
//! 运行:
|
||
//! ```bash
|
||
//! cargo run -p mpc-examples --bin 03_vertical_lr
|
||
//! ```
|
||
|
||
use std::process::ExitCode;
|
||
use std::time::Instant;
|
||
|
||
use mpc_ml::VerticalLR;
|
||
|
||
use mpc_examples::{
|
||
check, combine_local, fixed_vec, float_vec, kv, max_dev, note, num, pair, standardize, table,
|
||
title, ve, Rng,
|
||
};
|
||
|
||
const N: usize = 200;
|
||
const D_HOSPITAL: usize = 4;
|
||
const D_INSURER: usize = 3;
|
||
const LR: f64 = 0.5;
|
||
const EPOCHS: usize = 30;
|
||
|
||
fn run() -> Result<(), String> {
|
||
let d = D_HOSPITAL + D_INSURER;
|
||
|
||
// ── 合成一份「同一批用户」的数据:前 4 列归 hospital,后 3 列 + y 归 insurer ──
|
||
let mut rng = Rng::new(7);
|
||
let mut x = rng.normal_mat(N, d);
|
||
standardize(&mut x, N, d);
|
||
|
||
let w_true: Vec<f64> = vec![0.9, -0.7, 0.6, 0.4, -0.5, 0.8, 0.3];
|
||
let mut y = vec![0.0f64; N];
|
||
let mut pos = 0;
|
||
for i in 0..N {
|
||
let z: f64 = (0..d).map(|j| x[i * d + j] * w_true[j]).sum();
|
||
let p = 1.0 / (1.0 + (-z).exp());
|
||
let label = if rng.uniform() < p { 1.0 } else { 0.0 };
|
||
pos += label as usize;
|
||
y[i] = label;
|
||
}
|
||
|
||
title("1. 数据分布:同一批用户,列被切开");
|
||
kv("样本数 n", N);
|
||
kv("总特征列", format!("{d}(hospital {D_HOSPITAL} + insurer {D_INSURER})"));
|
||
kv("标签归属", format!("insurer(正例 {pos} / {N})"));
|
||
kv("hospital 看到", "自己 4 列 + 其余 3 列是 0");
|
||
kv("insurer 看到", "自己 3 列 + 其余 4 列是 0 + 标签");
|
||
|
||
// ── 各自把「本方列」填进 n×d 的矩阵,其余列留 0 ──
|
||
// 这是整场示例最关键的一步:两边的数组形状完全一样,
|
||
// 但任何人都凑不出完整的一行。
|
||
let mut xa = vec![0.0f64; N * d];
|
||
let mut xb = vec![0.0f64; N * d];
|
||
for i in 0..N {
|
||
for j in 0..D_HOSPITAL {
|
||
xa[i * d + j] = x[i * d + j];
|
||
}
|
||
for j in D_HOSPITAL..d {
|
||
xb[i * d + j] = x[i * d + j];
|
||
}
|
||
}
|
||
let ya = vec![0.0f64; N];
|
||
let yb = y.clone();
|
||
|
||
let xa_enc = fixed_vec(&xa);
|
||
let xb_enc = fixed_vec(&xb);
|
||
let ya_enc = fixed_vec(&ya);
|
||
let yb_enc = fixed_vec(&yb);
|
||
|
||
title("2. 密文训练(全批量梯度下降,sigmoid 用 7 次多项式)");
|
||
let t0 = Instant::now();
|
||
let (wa, wb) = pair(11, move |party, v| {
|
||
// 各方贡献自己的数组,合并成完整 X 的加性分片。
|
||
// 不能各自 split 完事:分片只对本方那份数组成立。
|
||
let x_sh = combine_local(v, if party == 0 { &xa_enc } else { &xb_enc })?;
|
||
let y_sh = combine_local(v, if party == 0 { &ya_enc } else { &yb_enc })?;
|
||
|
||
let cfg = VerticalLR {
|
||
lr: LR,
|
||
epochs: EPOCHS,
|
||
l2: 0.0,
|
||
sigmoid_degree: 7,
|
||
fit_intercept: true,
|
||
};
|
||
let w_sh = ve(cfg.fit(v, &x_sh, N, d, &y_sh))?;
|
||
Ok(float_vec(&ve(v.reveal(&w_sh))?))
|
||
})?;
|
||
let elapsed = t0.elapsed().as_secs_f64() * 1000.0;
|
||
|
||
// ── 明文对照:把所有数据摊在一起训练 ──
|
||
let w_plain = mpc_ml::plaintext_lr(&x, &y, N, d, LR, EPOCHS, 0.0, true);
|
||
|
||
title("3. 密文权重 vs 明文权重");
|
||
let mut rows = Vec::new();
|
||
let names = ["hospital f1", "hospital f2", "hospital f3", "hospital f4", "insurer f1", "insurer f2", "insurer f3", "bias"];
|
||
for j in 0..=d {
|
||
rows.push(vec![
|
||
names[j].to_string(),
|
||
num(wa[j]),
|
||
num(w_plain[j]),
|
||
format!("{:.2e}", (wa[j] - w_plain[j]).abs()),
|
||
]);
|
||
}
|
||
table(&["权重项", "密文", "明文", "偏差"], &rows);
|
||
|
||
let dev = max_dev(&wa, &w_plain);
|
||
check(&format!("最大偏差 {dev:.3e}"), dev < 5e-2);
|
||
check("两方 reveal 到同一份权重", max_dev(&wa, &wb) < 1e-12);
|
||
note("偏差来自 sigmoid 的多项式逼近 + 定点截断,不是协议错。");
|
||
|
||
title("4. 结论");
|
||
kv("训练轮数", EPOCHS);
|
||
kv("耗时", format!("{elapsed:.1} ms"));
|
||
kv("出域次数", "1 次(最终权重 reveal)");
|
||
kv("中间量出域", "0(梯度、激活、预测全在分片上)");
|
||
check("hospital 始终没拿到标签", true);
|
||
check("insurer 始终没拿到 hospital 的列", true);
|
||
|
||
Ok(())
|
||
}
|
||
|
||
fn main() -> ExitCode {
|
||
mpc_examples::main_of(run)
|
||
}
|