一种基于全同态的SecureBoost模型的纵向联邦学习方法

本发明提供一种基于全同态的SecureBoost模型的纵向联邦学习方法，包括：主动节点对每个样本计算一阶导数g和二阶导数h，利用全同态加密算法CKKS进行加密打包发送给被动节点；被动节点使用安全加权分位算法寻找候选分割点，依据结果对加密后导数进行梯度聚合；主动节点基于被动节点发送的聚合梯度以及己方的聚合梯度，利用树节点间桶减法确定最佳分裂点；被动节点根据最佳分裂点划分样本数据；主动节点更新此次分裂的树模型的节点信息和样本分布情况；重复上述步骤至树最大深度得到完整树模型；模型训练结束后，进行基于PSI的模型联邦推理。本发明能够提高模型训练效率，提升侧信道攻击抵抗能力、安全性，降低通信量，证明了全同态加密算法的实际应用价值。