INTRODUTION
left：在云中心的机器智能中，用户设备与云中心模型进行交互，生成日志来训练模型。用户日志组合到一起后来提高模型，用于之后的服务器用户请求。
Middle：在联邦学习中，模型被运送到用户设备上，在本地进行评估和训练。改进之后的模型传给服务器，在服务器端产生一个新模型然后在应用在用户设备上。
Right：安全聚合应用在联邦学习上，模型更新的聚合在逻辑上由虚拟机执行，安全多方通信引发的廉洁第三方，所以云服务器端只会学习到聚合之后的模型更新。
技术方面
这有两个缺点：
-
用户必须交换随机数s，可能会增大通信开销
-
用户在交换随机数之后掉线了，所对应的随机数便不能抵消，最终结果是无意义的。
而两两共享的随机数可以通过D-H密钥协商协议来实现，通过借助 pseudorandom generator (PRG)减少了通信开销。协商的密钥作为伪随机数生成器PGR的种子。
伪随机数生成算法的内部状态可以被保存下来，然后用于控制子序列运行时生成的数字。在继续之前，从较早的输入恢复状态减少了生成重复值和序列的可能性
有了代码会更好理解：
Double-Masking to Protect Security
首先，用户在生成随机数s的同时也生成一个随机seed b，在秘密分享阶段，用户把b给分享给其他用户。
在恢复阶段，服务器必须对用户做出明确的选择，或者请求随机数s或者b；一个用户并不会将s和b都分享给同一个用户，收集在线用户至少t个s和t个b之后，服务器可以减去所有的b来显示和。
这篇博客写的挺好：https://blog.csdn.net/qq_37734256/article/details/104223580
PPT：http://jakubkonecny.com/files/2018-01_UW_Federated_Learning.pdf