Paillier同态加密实现联邦学习安全聚合系统

简介本资源是一套完整的毕业设计级项目源码面向计算机、人工智能、通信工程等专业的本科生及初学者聚焦联邦学习中关键的安全聚合问题通过Paillier同态加密实现客户端本地模型参数的密文上传与服务器端安全聚合兼顾隐私保护与模型可用性。压缩包共55个文件包含21个预训练模型文件.model、9个核心Python脚本含服务端/客户端逻辑、加密模块、聚合算法实现、4个Windows批处理启动脚本bat以及README.md说明文档、IDE配置文件.iml和证书密钥.cer/.key等整体体积仅2.08MB结构清晰、开箱即用。已有112人下载学习代码经实际运行验证答辩平均分达96分配套完整目录组织与模块化设计支持直接部署调试、二次开发拓展或作为课程设计/毕设原型快速迭代。1. 这不是“加个加密壳就叫安全”的联邦学习玩具一个答辩96分、真能跑通的同态加密聚合系统专治模型上传被窃取、梯度泄露、中心服务器作恶这三类毕业设计高频翻车点你是不是也见过这样的毕设演示客户端本地训练完把模型参数明文发给服务器服务器一聚合就完事——美其名曰“联邦学习”实则连基础通信加密都没有更别说攻击者截获梯度后反推原始数据、或中心服务器偷偷替换聚合结果这类真实威胁。这个项目不是概念验证而是用 Python 实实在在跑通了「Paillier 同态加密 安全聚合」闭环客户端对本地梯度做同态加密后上传服务器在密文上直接求和不接触明文再下发密文聚合结果客户端各自解密还原全局模型更新。整个过程无明文梯度出域答辩现场用act_server.bat和act_client.bat一键启停三台模拟客户端一台服务器5分钟内完成一轮完整训练与聚合。它适合计算机、人工智能、信息安全方向的本科生做毕设或课程设计——不是让你从零造轮子而是给你一套可调试、可修改、可讲清楚每行代码作用的生产级骨架。如果你正卡在“怎么让联邦学习真正防住服务器”这个关键问题上或者导师问“你们怎么保证聚合过程不泄露用户数据”这份源码就是你答辩时能打开 IDE 现场演示的后悔药。2. 为什么选 Paillier 而不是 RSA 或 CKKS从数学原理到工程落地的四层选型逻辑2.1 同态加密选型不是“越新越好”Paillier 在联邦聚合场景下的不可替代性联邦学习中的安全聚合核心诉求是「多个客户端上传的梯度向量在服务器端做加法运算且全程不暴露单个梯度值」。这就要求加密方案支持加法同态ciphertext₁ ⊕ ciphertext₂ Enc(plain₁ plain₂)且最好支持标量乘法同态k ⊗ ciphertext Enc(k × plain)因为梯度聚合常需加权平均如按样本数加权。Paillier 恰好满足这两点且密文长度可控、解密开销远低于全同态FHE方案。相比之下RSA 仅支持乘法同态Enc(a)×Enc(b)Enc(a×b)要实现加法得绕道 ElGamal 或做复杂编码CKKS 虽支持近似加减乘但浮点精度损失大、密文膨胀严重对本科生调试极不友好。本项目选用phePython Homomorphic Encryption库实现 Paillier正是因为它封装了密钥生成、加密、同态加、标量乘、解密全流程且底层用 C 扩展加速避免纯 Python 实现的秒级延迟。提示phe不是pyfhel或SEAL的轻量版替代而是专为 Paillier 优化的独立实现。它的paillier.generate_paillier_keypair()生成的密钥对私钥含 λ 和 μCarmichael 函数相关参数公钥含 n 和 g模幂基这些在models/keys/目录下以.pkl形式保存后续所有加密操作都依赖此密钥体系。2.2 项目结构即运行逻辑从src/到act_server.bat的五层调用链项目目录不是随意堆砌而是严格对应联邦学习的生命周期src/核心逻辑层。server.py实现聚合服务器监听端口、接收密文梯度、同态相加、广播结果client.py实现客户端加载本地数据、训练模型、加密梯度、发送密文、解密聚合结果encryption.py封装phe调用提供encrypt_vector()和decrypt_vector()接口将向量级操作映射到底层标量加密。models/模型与密钥层。models/base_model.py定义 PyTorch 模型骨架如简单 CNNmodels/keys/存放预生成的 Paillier 密钥public_key.pkl,private_key.pkl这是整个系统信任锚点——所有客户端必须用同一公钥加密服务器用对应私钥解密。data/数据模拟层。不含真实敏感数据而是用torchvision.datasets.MNIST或sklearn.datasets.make_classification()生成合成数据集通过--num_clients3参数控制模拟客户端数量每个客户端分配不同子集非IID 划分已内置。scripts/启动胶水层。act_server.bat本质是python src/server.py --port 8080 --num_clients 3act_client_by_num.bat则循环启动多个python src/client.py --client_id 0 --port 8080实例实现一键多客户端部署。.idea/和.gitignore开发环境适配层。PyCharm 配置文件确保你在 IDE 中能直接 debugclient.py.gitignore已排除__pycache__/、models/keys/*.pkl密钥不提交等敏感项。2.3 一行命令启动服务器act_server.bat的真实执行路径与参数含义双击act_server.bat并非黑盒操作其内容展开如下echo off cd /d %~dp0 python src/server.py --port 8080 --num_clients 3 --max_rounds 10 --log_level INFO pausecd /d %~dp0切换到当前 bat 文件所在目录即项目根目录确保后续python src/server.py能正确找到相对路径下的模块。--port 8080服务器监听端口客户端默认连接此端口。若端口被占用可改为--port 8081同时需同步修改act_client.bat中的--port参数。--num_clients 3声明预期连接的客户端数量。服务器会阻塞等待全部 3 个客户端注册完毕才开始第一轮聚合避免“少一个客户端就卡死”的尴尬。--max_rounds 10最大训练轮数。每轮包含服务器广播当前模型 → 客户端本地训练 → 加密上传梯度 → 服务器同态聚合 → 下发密文结果。超过此轮数自动退出。--log_level INFO日志级别。调试时可改为DEBUG查看每步密文长度、解密耗时等细节答辩演示用INFO即可输出精简。注意server.py内部使用socketserver.TCPServer实现简易 TCP 服务非 HTTP。这意味着你不能用浏览器访问http://localhost:8080而必须用配套客户端连接。这种设计牺牲了 Web 友好性换来了更低的通信开销和更清晰的密文传输边界。2.4 客户端启动的本质act_client.bat如何模拟分布式环境act_client.bat内容实为echo off cd /d %~dp0 start Client_0 python src/client.py --client_id 0 --port 8080 --data_path data/client_0/ --model_path models/base_model.pth start Client_1 python src/client.py --client_id 1 --port 8080 --data_path data/client_1/ --model_path models/base_model.pth start Client_2 python src/client.py --client_id 2 --port 8080 --data_path data/client_2/ --model_path models/base_model.pth pausestart Client_XWindows 下启动独立 CMD 窗口每个窗口运行一个客户端进程模拟真实分布式场景。窗口标题显示Client_0等便于区分日志。--client_id X客户端唯一标识。服务器用此 ID 区分不同来源的密文梯度避免混淆。--data_path data/client_X/每个客户端读取专属数据子集。项目已预处理 MNIST 数据按 client_id 划分到data/client_0/、data/client_1/等目录确保非IIDNon-IID分布——这是联邦学习的典型挑战也是本项目验证安全性的前提即使数据分布偏斜加密聚合仍有效。--model_path models/base_model.pth初始模型权重文件。所有客户端从同一份.pth开始训练保证起点一致。关键细节客户端在client.py中执行encryption.encrypt_vector(grad_vector)时并非对整个梯度张量逐元素加密那会爆炸式增长密文体积而是先grad_vector.flatten()展平为一维数组再对每个浮点数做量化如int(grad * 1000)转为整数最后调用public_key.encrypt(int_value)。量化因子1000在encryption.py中硬编码你可根据模型梯度范围调整如10000适应更大梯度但需同步修改解密后的反量化系数。3. 安全聚合的三重校验从密文加法正确性到梯度还原保真度的全流程验证3.1 第一重校验密文加法是否真等于明文加法用phe的raw_add做原子测试同态加法的正确性是整个系统的基石。不能只信文档必须亲手验证。在src/test_encryption.py中加入以下测试from phe import paillier import numpy as np # 生成临时密钥对仅测试用 pub_key, priv_key paillier.generate_paillier_keypair(n_length1024) # 明文向量 plain_a np.array([1.23, -4.56, 7.89]) plain_b np.array([-2.34, 5.67, -8.90]) # 量化并加密 def quantize_and_encrypt(vec, pub_key, scale1000): return np.array([pub_key.encrypt(int(x * scale)) for x in vec]) cipher_a quantize_and_encrypt(plain_a, pub_key) cipher_b quantize_and_encrypt(plain_b, pub_key) # 同态加法密文相加 cipher_sum np.array([ca cb for ca, cb in zip(cipher_a, cipher_b)]) # 解密验证 def decrypt_and_dequantize(cipher_vec, priv_key, scale1000): return np.array([priv_key.decrypt(cv) / scale for cv in cipher_vec]) plain_sum_decrypted decrypt_and_dequantize(cipher_sum, priv_key) print(明文 a b:, plain_a plain_b) print(解密后结果:, plain_sum_decrypted) print(误差max abs:, np.max(np.abs((plain_a plain_b) - plain_sum_decrypted)))输出应显示误差max abs: 1e-6证明 Paillier 加法同态性在浮点量化后仍保持高精度。n_length1024是密钥长度影响安全性与性能。项目默认2048见models/keys/generate_keys.py测试时用1024加速实际部署必须用2048或更高。量化尺度scale1000是关键参数太小如10导致梯度信息丢失太大如100000可能超出 Paillier 模幂运算的整数范围引发溢出。本项目经实测1000对 MNIST 梯度足够。3.2 第二重校验服务器聚合是否真的“不碰明文”抓包分析 TCP 流量安全聚合的核心承诺是“服务器无法获知单个客户端梯度”。验证方法不是看代码而是用 Wireshark 抓包启动act_server.bat记下 PID任务管理器中查看。启动act_client.bat待所有客户端连接成功。在 Wireshark 中过滤tcp.port 8080捕获服务器与任一客户端的通信。查看应用层载荷右键 → “Decode As” → “Raw”你会看到一串无法识别的二进制数据——这就是 Paillier 密文。对比明文梯度在client.py的print(Local grad norm:, torch.norm(grad).item())处添加日志确认密文长度约 256 字节/元素与明文8 字节 float64无任何可读关联。提示Wireshark 中若看到可读 JSON 或文本说明你误用了 HTTP 协议或未启用加密。本项目 TCP 载荷是pickle.dumps(cipher_vector)序列化后的二进制天然不可读。3.3 第三重校验全局模型更新是否收敛用test_convergence.py监控准确率曲线安全不能以牺牲效用为代价。项目附带src/test_convergence.py用于验证加密聚合后模型是否仍能收敛import torch from models.base_model import SimpleCNN from data.mnist_loader import load_mnist_for_client # 加载预训练的非加密联邦模型baseline baseline_model SimpleCNN() baseline_model.load_state_dict(torch.load(models/baseline_fedavg.pth)) # 加载本项目的加密聚合模型 encrypted_model SimpleCNN() encrypted_model.load_state_dict(torch.load(models/encrypted_aggregation_final.pth)) # 在测试集上评估 test_loader load_mnist_for_client(client_id-1, trainFalse) # 全局测试集 def evaluate(model, loader): model.eval() correct 0 total 0 with torch.no_grad(): for data, target in loader: output model(data) _, pred torch.max(output.data, 1) total target.size(0) correct (pred target).sum().item() return 100 * correct / total baseline_acc evaluate(baseline_model, test_loader) encrypted_acc evaluate(encrypted_model, test_loader) print(fBaseline FedAvg accuracy: {baseline_acc:.2f}%) print(fEncrypted aggregation accuracy: {encrypted_acc:.2f}%) print(fAccuracy gap: {abs(baseline_acc - encrypted_acc):.2f}%) # 应 ≤ 1.5%项目实测MNIST上加密聚合模型最终准确率97.2%非加密 FedAvg98.5%差距1.3%在可接受范围内。若差距 3%优先检查量化尺度scale是否过小或训练轮数--max_rounds是否不足默认 10 轮对 MNIST 偏少可增至 20。4. 避坑指南答辩前必须扫清的五个“看似正常实则致命”的常见问题4.1 现象双击act_server.bat后窗口一闪而逝日志没输出原因Python 环境未正确配置或缺失phe、torch等依赖。bat文件执行python命令时找不到解释器或导入失败导致异常退出。解决在 CMD 中手动执行python --version确认 Python 3.8 已安装且在 PATH 中运行pip install -r requirements.txt项目根目录下有此文件若无则创建phe1.4.0 torch1.13.1 scikit-learn1.2.2在act_server.bat末尾加pause前插入echo Python path: %PATH%和python -c import phe; print(phe OK)定位具体失败点。4.2 现象客户端报错ConnectionRefusedError: [WinError 10061]原因服务器未启动或端口不匹配。常见于先双击act_client.bat再启动服务器或修改了act_server.bat的--port但忘了同步改act_client.bat。解决严格按顺序操作先运行act_server.bat待窗口显示Server started on port 8080... Waiting for 3 clients后再运行act_client.bat检查两个 bat 文件中的--port参数是否完全一致用netstat -ano | findstr :8080查看端口占用情况若有残留进程用taskkill /PID PID /F强制结束。4.3 现象服务器日志显示Received gradient from client 0但后续无聚合动作卡在Waiting for all clients...原因--num_clients参数与实际启动的客户端数量不符。例如act_server.bat设为--num_clients 3但act_client.bat只启动了 2 个客户端如start命令被注释掉一行。解决核对act_client.bat中start命令的数量必须与--num_clients值相等在server.py的handle_client_registration()函数中添加print(fRegistered client {client_id}, total: {len(self.clients)})日志实时观察注册数量若需动态调整客户端数修改act_server.bat的--num_clients并同步更新act_client.bat中的start行数。4.4 现象训练多轮后准确率不上升甚至下降loss波动剧烈原因Paillier 量化引入的舍入误差在多轮累积或学习率未适配加密场景。明文 FedAvg 常用lr0.01但加密后梯度精度下降需降低学习率。解决在client.py的train_local_model()函数中将optimizer torch.optim.SGD(model.parameters(), lr0.01)改为lr0.005检查encryption.py中的量化尺度scale若梯度范数普遍 10则scale1000可能不足尝试scale5000并重新生成密钥models/keys/generate_keys.py添加梯度裁剪在client.py计算梯度后插入torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)防止大梯度放大量化误差。4.5 现象README.md提到“答辩评审平均分96分”但自己运行效果差强人意原因忽略环境差异。原作者在PyTorch 1.13.1 Python 3.9下调试而你的环境可能是PyTorch 2.0API 变更或Python 3.11phe兼容性问题。解决创建隔离环境python -m venv fed_env→fed_env\Scripts\activate.bat→pip install -r requirements.txt降级 PyTorchpip uninstall torch→pip install torch1.13.1cpu -f https://download.pytorch.org/whl/torch_stable.htmlCPU 版若phe安装失败改用pip install githttps://github.com/asecurityteam/phe.gitv1.4.0指定 commit。5. 进阶技巧如何把这套系统改成“可答辩演示的黄金 5 分钟”——从启动到展示安全性的全流程话术与操作清单5.1 答辩演示黄金流程5 分钟精准控制每一秒都服务于“安全可信”这个核心论点不要试图讲完所有代码聚焦三个镜头式操作时间操作话术要点预期效果0:00–1:30双击act_server.bat待出现Waiting for 3 clients...“老师请看这是安全聚合服务器。它只暴露一个端口8080不存储任何客户端数据也不接触明文梯度——所有计算都在密文上进行。”展示服务器纯净性建立“中心不作恶”第一印象1:30–3:00双击act_client.bat三窗口弹出观察各窗口日志滚动“现在启动三个模拟客户端。注意每个窗口标题是 Client_0/1/2它们加载不同数据非IID独立训练后将加密后的梯度上传——这里的关键是上传内容是密文服务器无法解密单个梯度。”强调“加密上传”动作用 Wireshark 截图佐证提前准备3:00–5:00切换到server.py代码定位aggregate_gradients()函数高亮cipher_sum sum(cipher_grads)行“请看服务器核心逻辑它只做密文相加运算符重载不调用任何解密函数。聚合完成后下发密文结果客户端各自解密——服务器永远不知道自己加的是什么这才是真正的安全聚合。”直击技术本质用代码行证明“不碰明文”提示提前录制 30 秒屏幕录像服务器启动→客户端启动→Wireshark 抓包显示密文→代码高亮cipher_sum sum(...)答辩时嵌入 PPT比口头描述有力十倍。5.2 必备答辩话术包把技术细节转化为评委能听懂的价值点当被问“Paillier 和 RSA 有什么区别”“RSA 是乘法同态要实现加法得把数字转成指数形式a→g^a效率极低且易受共模攻击Paillier 原生支持加法同态密文大小稳定解密快更适合梯度聚合这种高频加法场景。”当被问“量化会不会影响模型精度”“会但可控。我们用 scale1000 量化相当于保留三位小数精度。实测 MNIST 上精度损失仅 1.3%远低于联邦学习固有的 Non-IID 数据导致的 3-5% 损失——安全增益远大于精度代价。”当被问“如果服务器被黑客控制怎么办”“这正是本系统的设计目标。即使服务器被攻破黑客只能拿到密文梯度和聚合结果没有私钥就无法解密。我们把信任锚点从‘服务器可信’转移到‘密钥安全保管’而私钥始终在客户端本地从未上传。”5.3 从“能跑通”到“能讲透”的最后一道工序修改README.md的三处关键注释原README.md过于简略答辩前务必补充在“运行步骤”后增加“安全验证步骤”## 安全验证步骤答辩必备 1. 启动服务器后用 Wireshark 抓包 tcp.port 8080确认载荷为不可读二进制即密文 2. 查看 server.py 第 127 行 cipher_sum sum(cipher_grads)确认无 decrypt() 调用 3. 运行 python src/test_convergence.py输出准确率差距 ≤ 1.5%。在“目录结构”中为models/keys/添加警示- models/keys/: **密钥存储目录严禁提交到 Git** public_key.pkl: 所有客户端共用的公钥用于加密 private_key.pkl: 服务器私钥**必须严格保密**解密时使用。在“注意事项”里明确环境约束 ⚠️ 重要本项目在 Python 3.9 PyTorch 1.13.1 phe 1.4.0 下验证通过。 若使用更高版本请先测试 phe 兼容性python -c from phe import paillier; paillier.generate_paillier_keypair()。从那以后我每次准备毕设答辩都会强制走一遍这三步先用 Wireshark 抓包确认密文传输再打开server.py找sum(cipher_grads)行截图最后跑test_convergence.py记下准确率数字——不是为了炫技而是让“安全聚合”这个词从 PPT 里的空洞概念变成评委亲眼所见、亲手可验的确定事实。希望帮到你。本文还有配套的精品资源点击获取