Google 為 Gboard 推出可驗證的私密聯邦學習系統

Google Research 推出全新私密聯邦學習框架

Google Research 今日正式對外公布一套全新設計的聯邦學習架構，核心概念是將訓練流程中最敏感的環節遷移至受信任執行環境（TEE）內的受證伺服器安全區。此舉不僅讓差分隱私的保證可以被第三方獨立驗證，也突破了以往聯邦學習系統僅以模糊聲明方式提供隱私保護的限制。

該架構在設計上遵循最嚴格的密碼學原則，所有客戶端裝置在送出訓練樣本前都會先進行端對端加密，並附加一份明確的存取政策，指明哪些特定的 TEE 程式有權解密資料以及哪些匿名化的結果可以被釋放。這份政策以加密負載的形式被綁定，確保只有符合條件的工作負載能夠取得原始資訊。

核心運作機制

在伺服器端，一個專門用於金鑰管理的叢集同樣部署於 TEE 內，採用 RAFT 共識協議來協調金鑰的生成、分發與輪換。金鑰僅會根據已發布的存取政策授予相應的工作負載，即便攻擊者成功取得安全區的控制權，亦無法直接取得解密金鑰或原始資料。

此金鑰管理叢集具備自我恢復與容錯能力，當部分節點失效時，剩餘節點仍能維持共識並持續提供金鑰服務，確保聯邦學習流程不會因單點故障而中斷。

Rekor 透明日誌的公開驗證

所有的存取政策與金鑰授權事件都會即時寫入公開的 Rekor 透明日誌。外部審計者或研究人員可以自由查詢這些記錄，精確追溯每一筆加密樣本的處理路徑，並驗證哪個 TEE 工作負載獲得了授權。此機制讓審核過程不再依賴 Google 內部的黑箱系統，提升了整體可信度。

• 政策於 Rekor 公開供檢視
• TEE 內的金鑰管理叢集使用 RAFT
• 可重建的二進位檔來自 Confidential Federated Compute 倉庫
• 僅有指標與差分隱私模型權重離開安全區

對 Gboard 的直接效益

Google 表示，已將此私密聯邦學習管線應用於 Gboard 的英文與日文下一字預測模型。根據內部測試與相關論文，新系統在訓練週期上更為迅速，預測準確度提升，同時所需的差分隱私預算顯著降低。

將梯度計算與排程搬至伺服器端後，客戶端裝置的資源佔用大幅減少，這意味著即使在低階手機上也能維持良好的使用體驗，同時允許更大規模且多樣化的使用者群體參與模型優化。

在整個流程中，只有彙總指標與差分隱私模型的權重會被輸出給操作員，原始的加密樣本始終停留在授權的安全區內，並在預設的時間窗口結束後自動銷毀，從根本上降低資料外洩的風險。

Google 同時開放了金鑰管理與資料處理二進位檔的可重建建置方式，這些元件均來源於開源的 Confidential Federated Compute 倉庫，外部開發者可以自行編譯與驗證安全區內執行的程式碼，進一步增強透明度。

儘管技術上取得了顯著突破，TEE 本身仍受限於特定硬體世代的能力，且仍可能受到側通道攻擊的威脅。即使政策與程式碼公開可驗證，硬體缺陷、實作錯誤或更廣泛的資料治理問題仍可能帶來不可預見的風險。

對於依賴 Gboard 或其他類似聯邦學習服務的企業與組織而言，這項創新提供了一條可被公共日誌審計的隱私保證路徑，使其在面對監管機構要求符合資料保護標準時，能夠提供更具說服力的證據與信心。

此篇報導最後於台北時間 2026 年 10 月 5 日 07:37:04 發布，相關原始資料與技術報告可於 Google Research 部落格與 arXiv 平台查閱。