加密数据上的机器学习模型
在隐私保护机器学习（PPML）领域，一项突破性技术使得机器学习模型能够直接在加密数据上进行计算，并返回加密结果。这种技术特别适用于处理敏感数据场景，只有加密输入数据的人才能解密最终结果。
技术实现原理
XGBoost（极端梯度提升）是一种高效的分布式梯度提升框架，通过训练数据生成并行分类和回归树集。每个树通过在每个节点进行分支决策来评估输入查询，直至到达叶节点并输出数值分数，所有树的結果求和产生最终输出。
隐私保护型XGBoost推理算法采用多种密码学工具：
-
保序加密（OPE）：允许数据加密后密文保持明文顺序。对于任意明文a和b，a > b当且仅当Enc(a) > Enc(b)
-
伪随机函数（PRF）：用于为树节点测试值生成伪随机"特征名称"，OPE则加密被测试的特征值
-
加法同态加密（AHE）：支持在密文上执行加法运算，Eval(Enc(a), Enc(b), +) = Enc(a+b)，使模型能够合并回归树输出获得最终加密结果
操作流程
用户计算机使用OPE加密明文查询后，将加密查询发送至PPML模型服务器。服务器在加密查询上评估每个树，获得加密叶值集合，然后通过同态加密求和所有叶值，将结果返回用户计算机进行解密。
测试显示，针对约500KB大小的模型，隐私保护版本耗时约0.4秒产生结果（未加密版本仅需1毫秒），符合当前基于智能手机的云端机器学习任务性能要求。
未来方向
后续工作将支持更多隐私保护版本的学习参数，并采用安全多方计算技术，为加密回归树中的每个决策节点执行安全比较。
相关开源原型可在代码托管平台获取