成果1：基于硬件可信执行环境的安全联邦学习框架

一、成果介绍

提供了基于硬件可信执行环境的安全高效联邦学习，为适配基于RISC-V边缘计算的硬件解耦联邦学习奠定基础。该成果支持100%联邦学习模型的隐私保护，联邦学习计算效率相较于直接利用硬件可信执行环境提升3倍以上，计算效率相较于同态加密提升3倍。

二、对长安链的价值

为长安链平台隐私计算构建高效、安全可信的联邦学习框架；为长安链RISC-V边缘计算平台部署联邦学习形成实践基础。

三、应用场景/案例

分布式学习：提升分布式学习过程中的安全性，防止隐私泄露，基于硬件可信执行环境，在保护模型安全的同时提升了联邦学习效率。

成果2：基于硬件可信执行环境的CNN网络可信聚合方法

一、成果介绍

成果通过重要梯度和次要梯度分层分级聚合方法，在突破可信执行环境内存受限的同时保证了模型准确率不降低；基于硬件可信执行环境的审计机制，验证少量的CNN梯度聚合结果即可实现中心服务器可信度的验证。有效实现CNN网络等模型的安全聚合，有效避免恶意服务器的攻击，实现硬件可信执行环境的无损联邦学习。

二、对长安链的价值

为长安链平台安全可信聚合提供了高效且无损的方法；为RISC-Ⅴ在内的长安链平台提供了自主可控的安全聚合方法。

三、应用场景/案例

在机器学习领域：可以突破设备能源和地域限制，在不交换数据的情况下完成目标检测、语音识别等任务；

RISC-Ⅴ边缘计算：为开发基于RISC-Ⅴ边缘计算平台的联邦学习框架，实现联邦学习的边缘计算部署奠定基础。