纵向联邦学习参与方之间的安全能力注册和协商的制作方法

本公开涉及但不限于在由第三代合作伙伴计划（3gpp）标准（例如，5g标准，也被称为新无线电（nr）标准）定义的通信系统背景下的纵向联邦学习（vfl）。具体而言，本公开涉及与使用vfl的人工智能（ai）/机器学习（ml）模型的训练有关的安全方面。

背景技术：

1、人工智能（ai）是当前专注于创建在特定领域中模拟人类智能决策和/或行为的系统的技术领域。机器学习（ml）是ai的子集，侧重于从训练数据中进行统计学习。人工神经网络（ann）算法是ml中使用的一类算法的示例，其受到大脑中的神经元简化启发。

2、纵向联邦学习（vfl）是一种联邦学习设置，其中多个实体（即所谓的vfl参与方）可以在不暴露它们的原始训练数据、本地ml模型或它们的所有本地ml模型参数的情况下，联合训练ml模型。对于3gpp标准定义的通信系统，vfl已经在3gpp版本19中引入，各个用例包括移动核心网的网络功能（nf）之间的vfl，例如，网络数据分析功能（nwdaf）之间的vfl、应用功能（af）和nwdaf之间的vfl、或者af之间的nwdaf辅助的vfl。在此背景下，与vlf相关的安全性方面可能具有重要意义，尤其是在跨域vfl的情况下，例如涉及5g核心（5gc）网络和af的vfl。

3、此外，各个实体可能承担不同的vfl角色，这些角色可以包括vfl发起方、vfl协调方、主动vfl参与方、和被动vfl参与方，并且可以由各种nf表示。在这点上，vfl发起方可以确定vfl过程应被执行，并且vfl发起方可以参与对vfl参与方的发现（即搜索）和vfl模型训练准备。vfl协调方可能被要求参与vfl过程。当参与时，vfl协调方可以负责维护vfl过程，以及负责授权或移除vfl参与方，维护vfl过程即通过在每次迭代中从一组vfl参与方收集所需输入以及向vfl参与方提供运行下一次迭代所需的信息进行。主动vfl参与方可以是利用所需数据标签执行vfl模型训练的nf。被动vfl参与方可以是在没有数据标签的情况下执行vfl模型训练的nf，以上仅举几个非限制性示例。

技术实现思路

1、在vfl中，存在包括或包含某些数据的标签或基准真相的主动参与方，和/或包含ml模型训练可能需要的其它重要特征的被动参与方。这些特征在主动参与方处可能是不可获得的。这可能导致安全挑战，因为在vfl成员之间共享的数据和模型参数的安全可能变得极为重要。在此背景下，术语“基准真相”根据其在机器学习领域的常规含义以及本文中的使用，指的是针对特定问题或疑问的正确或“真实”答案。例如，在图像分类系统中，算法可以学习将每个图像分类到一组类别中，并且算法可以使用具有指示每个图像的真实类别（例如，由人类操作者手动验证）的基准真相标签的训练数据进行训练。

2、当前，在3gpp标准中不存在能够防止vfl参与方从由其他vfl参与方共享的模型参数和/或嵌入中解密训练数据的机制。这里，术语“训练数据”指由vfl参与方用于训练的本地数据，由标签（在主动参与方的情况下）和其他特征（在被动参与方的情况下）以及它们的对应值组成。此外，还没有定义一种机制，来检测特定vfl参与方支持什么类型的安全能力以及当准备或控制vfl过程时vfl协调方如何使用该信息。

3、鉴于上述情况，本公开的示例性实施例可以（除其他之外）允许在通信系统中由nf执行vfl过程的背景下提高安全性。更具体地说，本公开的示例性实施例可以（除其他之外）允许在vfl参与方之间协调安全机制。

4、根据本公开的示例性方面，公开了一种方法。该方法可以至少包括：

5、- 获取与相应安全能力信息相关联的表示至少一个vfl参与方的纵向联邦学习（vfl）参与方信息，其中所述安全能力信息指示相应vfl参与方支持至少一个安全机制；

6、- 确定已经指定优选的安全机制；

7、- 如果已经指定优选的安全机制：

8、- 获取或执行对所述至少一个vfl参与方中的vfl参与方的第一选择，其中所述第一选择的vfl参与方支持所述优选的安全机制；以及

9、- 使用所述第一选择的vfl参与方和所述优选的安全机制来准备vfl过程，以用于训练机器学习模型。

10、在该方法的示例实施例中，该方法可以由至少一个网络功能（nf）执行。例如，该至少一个网络功能可以由装置包括。例如，该至少一个网络功能可以是通信系统（例如根据3gpp标准的通信系统）的至少一个网络功能。此外，该至少一个网络功能可以是5gc网络的至少一个网络功能。例如，该至少一个网络功能可以是或包括网络数据分析功能（nwdaf）。例如，nwdaf可以是或包括一个或多个vfl参与方。例如，nwdaf可以包括执行该方法或在该方法中涉及的模型训练逻辑功能（mtlf）。例如，mtlf可以是或包括vfl发起方nf。例如，mtlf可以是或包括vfl协调方nf。例如，该至少一个网络功能可以是或包括网络存储库功能（nrf）。例如，该至少一个网络功能可以是或包括网络开放功能（nef）。例如，该至少一个网络功能可以是或包括应用功能（af）。例如，af可以是或包括一个或多个（例如单个或多个，至少两个）vfl参与方。例如，该至少一个网络功能可以包括vfl发起方nf、vfl协调方nf、nrf、nef、以及一个或多个vfl参与方。例如，该至少一个网络功能可以包括由nwdaf的mtlf表示或包括的vfl发起方nf、由nwdaf的mtlf表示或包括的vfl协调方nf、nrf、nef、由nwdaf表示或包括的一个或多个vfl参与方、以及由af表示或包括的一个或多个vfl参与方。在实施例中，vfl协调方nf和nef可以是相同的实体。

11、如本文所使用的，vfl参与方可以被理解为能够或旨在参与用于训练机器学习（ml）模型的vfl过程的实体。在此上下文中，人工智能（ai）是专注于创建智能系统的技术领域。机器学习（ml）是ai的子集，侧重于从数据中进行统计学习。人工神经网络（ann）算法是ml中使用的一类算法的示例，其受到大脑中神经元简化启发。ml是ml生命周期，其可以被分解成两个部分，即，训练阶段和ml推断阶段，在训练阶段中通过将数据的指定子集运行到模型中来创建或“训练”ml模型，在ml推断阶段中ml模型被应用于数据以产生可操作的输出。这样，vfl参与方可以被理解为一种实体，该实体能够使用一组训练数据来训练其本地ml模型，在每一轮训练后仅与其他vfl参与方共享一些模型参数/嵌入（例如本地预测的标签），而不与其他vfl参与方共享其原始训练数据或本地ml模型，例如使用vlf训练框架，例如mmvfl（s.feng等人2024年发表的“mmvfl: a simple vertical federated learningframework for multi-class multi-participant scenarios”（mmvfl：用于多类多参与方场景的简单纵向联邦学习框架），载于sensors，24(2)，619 ）。

12、如本文所使用的，vfl参与方信息可以被理解为任何可能据此识别至少一个vfl参与方的组并且确定该组中的各个vfl参与方是否支持至少一个安全机制的信息或数据。例如，vfl参与方信息可以构成或包括与指示至少一个vfl参与方是否支持至少一个安全机制的相应安全能力信息相关联的vfl参与方的组或列表。例如，vfl参与方信息可以构成或包括表格，其中第一列或行列出至少一个vfl参与方，第二列或行包含例如真/假标志、是/否标志、二进制信息等的信息，指示第一列或行的相应vfl参与方是否支持至少一个特定安全机制。例如，该表格可以包括一个或多个另外的列或行，包含例如真/假标志、是/否标志、二进制信息等的信息，用于指示第一列或行的相应vfl参与方是否分别支持一个或多个另外的特定安全机制。

13、如本文所使用的，安全机制可以被理解为能够防止vfl参与方以明文形式（即，被解密）从其他vfl参与方获取ml模型训练数据的任何机制或方法。例如，安全机制可以基于加密，例如使用例如多方计算（mpc）、可信执行环境（tee）、和/或同态加密（he）的密码防御策略（cds）。例如，安全机制可以基于隐私保护，例如通过随机添加噪声、梯度离散化、梯度稀疏化、或其混合进行的隐私保护。例如在（yo liu等人2024年发表的“verticalfederated learning: concepts, advances, and challenges”（纵向联邦学习：概念、进步和挑战），载于《ieee知识与数据工程汇刊》）中提供了基于cds和/或隐私保护的合适安全机制的示例。

14、如本文所使用的，安全能力信息可以被理解为任何信息或数据，至少部分基于该信息或数据可能确定与相应安全能力信息相关联的vfl参与方是否支持至少一个特定安全机制。例如，安全能力信息可以构成或包括用于相应vfl参与方和用于相应特定安全机制的相应真/假标志或是/否标志。例如，vfl参与方和安全能力信息可以通过以下方式相关联：它们被包含在表格或阵列的相同行或列中。例如，vfl参与方和安全能力信息可以通过双射数学函数相关联，该函数将相应安全能力信息分配给至少一个vfl参与方。

15、如在此所使用的，优选的安全机制可以被理解为强制用于vfl过程的安全机制。例如，优选的安全机制可以由参与该vfl过程的nf来指定，例如vfl发起方nf或vfl协调方nf。例如，可以定义一个或多个例外，其中如果应用相应的例外，则无需强制使用该优选的安全机制。

16、如本文所使用的，对至少一个vfl参与方中的vfl参与方的第一选择可以被理解为通过从由vfl参与方信息表示的vfl参与方的组中选择vfl参与方而获取的第一子组。对vfl参与方的第一选择可以包括该vfl参与方的组中的零个、一个、多于一个、或所有vfl参与方。

17、如在此所使用的，支持安全机制的vfl参与方可以被理解为使得vfl参与方能够使用相应的安全机制执行vfl过程。

18、如本文所使用的，vfl过程可以被理解为使用纵向联邦学习（vfl）的机器学习（ml）模型的训练。vfl可以被理解为联邦学习设置，其中多个参与方具有关于相同用户集的不同特征，或关于重叠样本的不同特征，它们在不暴露其原始数据或模型参数的情况下训练ml模型。在训练之后，ml模型可以用于推断。例如，vfl过程可以使用例如梯度下降的ml模型训练算法来执行。然而，本公开不限于使用梯度下降，并且其他ml模型训练算法也是可想到的，例如分布式坐标下降法。

19、根据本公开的示例性方面，该方法可以包括获取与相应安全能力信息相关联的表示至少一个vfl参与方的vfl参与方信息，其中该安全能力信息指示相应vfl参与方支持至少一个安全机制。在实施例中，该vfl参与方信息可以表示多于一个vfl参与方，例如至少两个vfl参与方、或更多数量的vfl参与方。在实施例中，尽管vfl参与方信息表示多于一个（例如，至少两个）vfl参与方，相应安全能力信息可以针对（例如，仅）一个vfl参与方而存在。在示例性实施例中，相应安全能力信息可以针对多于一个vfl参与方而存在，例如针对由vfl参与方信息表示的每个（或所有）vfl参与方而存在。在实施例中，安全能力信息可以指示相应vfl参与方是否支持至少一个安全机制。在示例性实施例中，安全能力信息可指示相应vfl参与方是/否支持至少一个安全机制。在示例实施例中，安全能力信息可以指示（或例如是否，或是/否）相应vfl参与方支持第一特定安全机制，以及（或例如是否，或是/否）相应vfl参与方支持第二特定安全机制。在示例实施例中，安全能力信息可以指示（或例如是否，或是/否）相应vfl参与方支持至少一个其他特定安全机制。在实施例中，获取vfl参与方信息可以由vfl发起方nf、vfl协调方nf、nrf、或其任何组合来执行。通过获取与相应安全能力信息相关联的表示至少一个vfl参与方的vfl参与方信息，其中该安全能力信息指示相应vfl参与方支持至少一个安全机制，关于该至少一个vfl参与方的所支持的安全机制的信息被提供给通信系统的某个nf，基于该信息可以在将要参与vfl过程的vfl参与方之间协调安全机制。

20、根据本公开的示例性方面，该方法可以包括确定已经指定优选的安全机制。在实施例中，确定已经指定优选的安全机制可以是或者包括：确定是否已经指定优选的安全机制。在示例实施例中，确定已经指定优选的安全机制可以是或者包括：确定是/否已经指定优选的安全机制。在实施例中，确定已经指定优选的安全机制可以由vfl协调方nf、nrf、或两者来执行。通过确定已经指定优选的安全机制，可以实现可以在将要参与vfl过程的vfl参与方之间协调安全机制。

21、根据本发明的示例性方面，该方法可包括，如果已经指定优选的安全机制，则获取或执行对该至少一个vfl参与方中的vfl参与方的第一选择，其中该第一选择的vfl参与方支持该优选的安全机制。在示例实施例中，获取或执行对vfl参与方的第一选择可以响应于确定已经指定优选的安全机制而执行。在示例实施例中，该第一选择的vfl参与方每个都支持该优选的安全机制。在示例性实施例中，获取或执行对至少一个vfl参与方中的vfl参与方的第一选择可以包括：在第一选择中包括由vfl参与方信息表示的vfl参与方的组中的所有vfl参与方，例如如果已经预先确定所有这些vfl参与方都支持该优选的安全机制。在实施例中，获取或执行对vfl参与方的第一选择可以由vfl协调方nf执行，其中vfl协调方nf从由vfl参与方信息表示的vfl参与方的组中选择第一子组。在示例实施例中，获取或执行对vfl参与方的第一选择可以由vfl协调方nf与nrf一起执行，其中nrf从由vfl参与方信息表示的vfl参与方的组中选择第一子组，并且其中nrf将该第一选择发送给vfl协调方nf，vfl协调方nf因此获取该第一选择。通过获取或执行对该至少一个vfl参与方中的vfl参与方的第一选择，其中该第一选择的vfl参与方支持该优选的安全机制，可以实现可以在将要参与vfl过程的vfl参与方之间协调优选的安全机制。

22、根据本公开的示例性方面，该方法可以包括，如果已经指定优选的安全机制，则使用该第一选择的vfl参与方和该优选的安全机制来准备vfl过程以用于训练机器学习模型。在实施例中，准备vfl过程可以响应于确定已经指定优选的安全机制而执行。在示例性实施例中，例如如果两个或更多个vfl参与方支持优选的安全机制并因此参与该vfl过程中，准备vfl过程可以被执行以用于联合地训练机器学习模型则。在实施例中，准备vfl过程可以由vfl协调方nf与一个或多个vfl参与方（例如第一选择的vfl参与方）一起执行。在示例性实施例中，vfl发起方nf可以参与准备该vfl过程。在示例性实施例中，nrf、nef、或两者也可以参与。通过使用该第一选择的vfl参与方和该优选的安全机制来准备vfl过程以用于训练机器学习模型，可以实现对将要执行的vfl过程的安全性的改进。

23、根据本公开的示例性方面，该方法可以包括，如果已经指定优选的安全机制，则使用第一选择的vfl参与方和该优选的安全机制来执行vfl过程以用于训练机器学习模型。由此，可以实现执行vfl过程以及通过vfl过程训练ml模型。

24、在方法的示例实施例中，该方法还可以包括：

25、- 如果尚未指定优选的安全机制：

26、- 识别由所述至少一个vfl参与方中的最大数量的vfl参与方支持的共同安全机制；

27、- 获取或执行对所述至少一个vfl参与方中的vfl参与方的第二选择，其中所述第二选择的vfl参与方支持所述共同安全机制；以及

28、- 使用所述第二选择的vfl参与方和所述共同安全机制来准备vfl过程，以用于训练机器学习模型。

29、如本文所使用的，共同安全机制可以被理解为由vfl参与方信息表示的vfl参与方的组中的最大数量的vfl参与方所支持的安全机制。在示例实施例中，共同安全机制可以由vfl参与方的组中的一个、部分、或所有（例如每个）vfl参与方支持。

30、在示例实施例中，识别共同安全机制、获取或执行对vfl参与方的第二选择、以及使用该第二选择的vfl参与方和该共同安全机制来准备vfl过程以用于训练机器学习模型可以响应于确定尚未指定优选的安全机制而被执行（例如，在确定之后或随后执行）。在示例实施例中，识别共同安全机制可以由vfl协调方nf执行。在示例实施例中，该第二选择的vfl参与方每个都支持该共同安全机制。在示例性实施例中，获取或执行对至少一个vfl参与方中的vfl参与方的第二选择可以包括：在该第二选择中包括在由vfl参与方信息表示的vfl参与方的组中的所有vfl参与方，例如如果预先已经确定所有这些vfl参与方都支持该共同安全机制。在示例实施例中，获取或执行对vfl参与方的第二选择可以由vfl协调方nf执行，其中vfl协调方nf从由vfl参与方信息表示的vfl参与方的组中选择第二子组。在示例性实施例中，例如如果两个或更多个vfl参与方支持该共同安全机制并因此参与该vfl过程，则准备vfl过程可以被执行以用于（例如，联合地）训练机器学习模型。在实施例中，准备vfl过程可由vfl协调方nf与一个或多个vfl参与方（例如第二选择的vfl参与方）一起执行。在示例性实施例中，vfl发起方nf可以参与准备该vfl过程。在实施例中，也可以包括nrf、nef、或两者。通过识别共同安全机制、获取或执行对vfl参与方的第二选择、以及使用该第二选择的vfl参与方和该共同安全机制来准备vfl过程以用于训练机器学习模型，可以实现可以在将要参与vfl过程的vfl参与方之间协调该共同安全机制。因此，可以提高将要执行的vfl过程的安全性。

31、根据本公开的示例性方面，该方法可以包括，如果已经指定共同安全机制，则使用该第二选择的vfl参与方和该共同安全机制来执行vfl过程以用于训练机器学习模型。由此，可以实现执行vfl过程以及通过vfl过程训练ml模型。

32、在该方法的示例实施例中，如果（并且例如响应于确定）已经指定优选的安全机制，并且如果（并且例如响应于确定）满足或不满足附加条件，则也可以执行识别共同安全机制、获取或执行对vfl参与方的第二选择、以及使用该第二选择的vfl参与方和该共同安全机制来准备（和/或执行）vfl过程以用于训练机器学习模型。例如，如果已经指定优选的安全机制，但一个或多个（例如，大于阈值或大于阈值百分比）vfl参与方不支持该优选的安全机制，则可以执行识别共同安全机制、获取或执行对vfl参与方的第二选择、以及准备（和/或执行）相应vfl过程。

33、在该方法的示例实施例中，该方法可以至少包括：

34、- 获取与相应安全能力信息相关联的表示至少一个vfl参与方的纵向联邦学习（vfl）参与方信息，其中所述安全能力信息指示相应vfl参与方支持至少一个安全机制；

35、- 确定已经指定优选的安全机制；

36、- 如果尚未指定优选的安全机制：

37、- 识别由所述至少一个vfl参与方中的最大数量的vfl参与方支持的共同安全机制；

38、- 获取或执行对所述至少一个vfl参与方中的vfl参与方的第二选择，其中所述第二选择的vfl参与方支持所述共同安全机制；以及

39、- 使用所述第二选择的vfl参与方和所述共同安全机制来准备vfl过程，以用于训练机器学习模型。

40、在该方法的示例实施例中，该方法还可以包括：

41、- 注册所述至少一个vfl参与方，其中注册相应vfl参与方包括提供与相应安全能力信息相关联的vfl参与方标识信息，其中所述vfl参与方标识信息指示相应vfl参与方。

42、如在此所使用的，注册vfl参与方可以被理解为这样的过程，在该过程中从第一实体（例如nf）向第二实体（例如不同的nf）提供与相应安全能力信息相关联的vfl参与方标识信息。例如，注册vfl参与方可以包括：提供识别vfl参与方的信息。例如，注册vfl参与方可以包括：提供指示vfl参与方的vfl能力的信息。例如，注册vfl参与方可以包括：提供指示vfl参与方的角色的信息，例如作为主动vfl参与方的角色或作为被动vfl参与方的角色。例如，注册vfl参与方可以包括：提供指示由vfl参与方支持的至少一个安全机制的信息。例如，注册vfl参与方可以包括：提供指示与至少一个安全机制相关的至少一个参数的信息，例如指示在基于加密的安全机制中的加密强度（例如指示加密密钥长度）的参数，或在基于隐私保护的安全机制中的期望的最小隐私阈值，以上仅为非限制性示例。在示例实施例中，vfl参与方可以在nrf中注册。例如，由nwdaf或可信af实现或包括的vfl参与方可以在nrf中注册。在示例实施例中，vfl参与方可以在nef中注册，并且nef可以稍后将该vfl参与方注册到nrf中。例如，由不受信af实现或包括的vfl参与方可以在nef中注册，并且nef可以稍后将vfl参与方注册到nrf中。如本文所使用的，vfl参与方识别信息可以被理解为基于此可以识别特定的vfl参与方的任何信息或数据。通过注册该至少一个vfl参与方——其中注册相应vfl参与方包括提供与相应安全能力信息相关联的vfl参与方标识信息，其中该vfl参与方标识信息指示相应vfl参与方——可以获取用于在vfl参与方之间协调安全机制的vfl参与方信息。

43、在该方法的示例实施例中，该方法还可以包括：

44、- 请求发起vfl过程。

45、在示例实施例中，请求发起vfl过程可以由vfl发起方nf执行。在示例实施例中，请求发起vfl过程可以通过vfl发起方nf向vfl协调方nf发送相应的请求来执行。通过请求发起vfl过程，可以实现使vfl发起方nf能够发起vfl过程。在示例实施例中，请求发起vfl过程可以包括vfl过程需要安全机制的指示。例如，该指示可以是“securedvfl”标志的形式。因此，可以实现使vfl发起方nf能够确保使用安全机制来执行vfl过程。

46、在该方法的示例性实施例中，获取该vfl参与方信息可以包括：

47、- 请求和/或执行对vfl参与方的发现。

48、如本文所使用的，发现可以被理解为对满足至少一个要求的vfl参与方的搜索。例如，该至少一个要求可以是或包括相应vfl参与方已经在nrf中注册。例如，至少一个要求可以是或包括相应vfl参与方已经在nrf中注册并支持至少一个安全机制。例如，该至少一个要求可以是或包括安全相关要求，例如将要被发现的vfl参与方支持指定的安全机制（例如优选的安全机制）的要求，或者安全机制的一些参数满足一些条件（例如等于或大于阈值）的要求。作为非限制性示例，该条件可以是在符合基于加密的安全机制中指定的加密强度（例如，加密密钥长度）。作为另一非限制性示例，该阈值可以是在基于隐私保护的安全机制中的预期的最小隐私阈值。在示例性实施例中，请求和/或执行对vfl参与方的发现可以由vfl协调方nf与nrf一起执行，其中vfl协调方nf向nrf发送发现请求，并且随后nrf执行在注册到nrf中的vfl参与方中的相应发现。在示例性实施例中，请求和/或执行对vfl参与方的发现可以由vfl发起方nf与nrf一起执行，因为vfl发起方nf向nrf发送发现请求，并且随后nrf执行在注册到nrf中的vfl参与方之间的相应发现。通过请求和/或执行对vfl参与方的发现，可以实现可识别vfl参与方以使得可以在它们之间协调安全机制。在示例性实施例中，请求对vfl参与方的发现可以包括vfl过程需要安全机制的指示。例如，该指示可以是“securedvfl”标志的形式。例如，该指示可以是或对应于由先前的发起vfl过程的请求所包括的指示。

49、在该方法的示例性实施例中，获取vfl参与方信息可以包括：

50、- 作为对vfl参与方的发现的结果，获取表示所述至少一个vfl参与方的列表。

51、在示例实施例中，作为nrf执行的发现的结果，该列表由nrf获取，并且该列表然后被发送给请求该发现的vfl协调方nf（并且因此也被该vfl协调方nf获取）。在示例实施例中，作为nrf执行的发现的结果，该列表由nrf获取，并且该列表然后被发送给请求该发现的vfl发起方nf（并且因此也被该vfl发起方nf获取）。在示例实施例中，由vfl发起方nf接收的列表可以被发送给vfl协调方nf（并因此也被该vfl协调方nf获取），例如与用于发起vfl过程的请求一起被发送。通过获取表示至少一个vfl参与方的列表，可以实现可以在列表中的将要参与vfl过程的vfl参与方之间协调安全机制。

52、在该方法的示例性实施例中，获取vfl参与方信息可包括：

53、- 针对所述列表中的至少一个vfl参与方，获取与相应vfl参与方相关联的安全能力信息，其中所述相应安全能力信息与所述列表一起被获取。

54、由此，可以实现针对列表中的至少一个vfl参与方的相应安全能力信息变成可获得的。在示例实施例中，包括至少一个vfl参与方的列表可以是表格或阵列的列或行，并且vfl参与方可以与安全能力信息相关联，具体表现为它们都被包含在表格或阵列的相同行（如果包括该至少一个vfl参与方的列表是列）内或相同列（如果包括该至少一个vfl参与方的列表是行）内。

55、在该方法的示例性实施例中，获取vfl参与方信息可包括：

56、- 针对所述列表中的其相关联的安全能力信息尚未连同所述列表一起被获取的至少一个vfl参与方，向所述相应vfl参与方请求相应安全能力信息；和/或

57、- 从所述相应vfl参与方获取所述相应安全能力信息。

58、由此，可以实现针对列表中的其相关联的安全能力信息尚未与该列表一起被获取的至少一个vfl参与方，相应安全能力信息也变成可获得的。例如，列表中的其相关联的安全能力信息尚未获取与该列表一起被获取的至少一个vfl参与方，可以是已注册而没有安全能力信息的vfl参与方。例如，列表中的其相关联的安全能力信息尚未获取与该列表一起被获取的至少一个vfl参与方，可以是其安全能力信息已被注册但不可被检索的vfl参与方。在示例实施例中，向vfl参与方请求安全能力信息可以通过vfl协调方nf向vfl参与方发送相应的请求来执行。在示例性实施例中，从相应vfl参与方获取安全能力信息可以通过vfl协调方nf从vfl参与方接收安全能力信息来执行，例如作为对安全能力信息的请求的响应。

59、在该方法的示例实施例中，该方法还可以包括：

60、- 发起针对由所述vfl参与方信息表示的所述至少一个vfl参与方的安全协商。

61、如本文所使用的，安全协商可以被理解为其中在vfl参与方之间标识和协调安全机制的过程。

62、在该方法的示例实施例中，使用该第一选择的vfl参与方和该优选的安全机制来准备vfl过程以用于训练该机器学习模型可以包括以下中的至少一个：

63、- 最终确定vfl参与方选择；

64、- 实例化vfl会话标识符；

65、- 配置优选的安全机制的使用；

66、- 拒绝vfl请求。

67、最终确定vfl参与方选择可以包括对个别vfl参与方的添加或删除，或验证vfl参与方选择是否正确。在示例实施例中，配置优选的安全机制的使用可以包括指定与该优选的安全机制相关的安全参数。拒绝vfl请求可以由vfl协调方nf执行，例如如果（并且例如响应于确定）安全协商没有成功则执行。

68、在该方法的示例实施例中，使用所述第二选择的vfl参与方和所述共同安全机制来准备vfl过程以用于训练机器学习模型可以包括以下中的至少一个：

69、- 最终确定vfl参与方选择；

70、- 实例化vfl会话标识符；

71、- 配置共同安全机制的使用；

72、- 拒绝vfl请求。

73、最终确定vfl参与方选择可以包括对个别vfl参与方的添加或删除，或验证vfl参与方选择是否正确。在实施例中，配置共同安全机制的使用可以包括指定与该共同安全机制相关的安全参数。拒绝vfl请求可以由vfl协调方nf执行，例如，如果（并且例如响应于确定）安全协商没有成功则执行。

74、在该方法的示例实施例中，请求发起vfl过程可以包括指定优选的安全机制。由此，可以实现使用优选的安全机制来执行vfl过程。在示例实施例中，指定优选的安全机制可以包括指定与该优选的安全机制相关的至少一个参数。例如，该至少一个参数可以定义在基于加密的安全机制中的加密强度（例如，加密密钥长度）。例如，该至少一个参数可以定义在基于隐私保护的安全机制中的预期的最小隐私阈值。在示例性实施例中，请求对vfl参与方的发现可以包括当请求发起vfl过程时指定预先指定的优选的安全机制。在示例性实施例中，执行对vfl参与方的发现可以考虑当请求发现vfl参与方时预先指定的优选的安全机制。例如，该发现可以考虑优选的安全机制，具体表现为该发现选择（例如，仅选择）支持该优选的安全机制的vfl参与方。由此，可以实现该发现产生支持优选的安全机制的vfl参与方，从而使得可以简化执行或获取对vfl参与方的第一选择。在示例实施例中，执行对vfl参与方的发现也可以考虑与优选的安全机制相关的至少一个参数。例如，该发现可以考虑与优选的安全机制相关的至少一个参数，具体表现为该发现选择（例如，仅选择）符合该至少一个参数的vfl参与方。由此，可以实现该发现产生支持优选的安全机制并符合该至少一个参数的vfl参与方，从而使得可以进一步简化执行或获取对vfl参与方的第一选择。

75、在该方法的示例实施例中，至少一个安全机制是以下中的至少一个：

76、- 基于加密的安全机制；

77、- 基于隐私保护的安全机制。

78、例如，基于加密的安全机制可以基于同态加密或基于加性同态加密。例如，基于加密的安全机制可以涉及使用加密密钥对数据进行加密和/或解密。例如，基于隐私保护的安全机制可以基于不同的隐私。例如，基于隐私保护的安全机制可以涉及修改ml模型的随机梯度下降中使用的至少一个梯度。例如，对至少一个梯度的修改可以涉及噪声的添加。例如，基于隐私保护的安全机制可以基于伊普西隆参数和/或德尔塔参数。

79、在该方法的示例实施例中，至少一个安全机制的至少一个参数可以根据以下中的至少一个而变化：

80、- 将要使用所述vfl过程训练的机器学习模型的标识符；

81、- 参与vfl过程的vfl参与方。

82、例如，至少一个安全机制可以根据将要训练的ml模型的分析标识符的粒度或模型标识符的粒度而变化。例如，用于广告的分析id可以具有与用于网络优化的分析id不同的隐私噪声添加。例如，在（例如所有）vfl参与方来自相同厂商的情况下，该至少一个安全机制可能与vfl结合来自不同厂商或不同域（例如5g核心和af）的参与方的情况有所不同。

83、根据示例性方面，公开了一种用于网络功能的相应装置。该装置可以包括至少一个处理器和至少一个存储器。所述至少一个存储器可以存储指令，所述指令在由所述至少一个处理器执行时使得所述装置至少执行：

84、- 获取与相应安全能力信息相关联的表示至少一个vfl参与方的纵向联邦学习（vfl）参与方信息，其中所述安全能力信息指示相应vfl参与方支持至少一个安全机制；

85、- 确定已经指定优选的安全机制；

86、- 如果已经指定优选的安全机制：

87、- 获取或执行对所述至少一个vfl参与方中的vfl参与方的第一选择，其中所述第一选择的vfl参与方支持所述优选的安全机制；以及

88、- 使用所述第一选择的vfl参与方和所述优选的安全机制来准备vfl过程，以用于训练机器学习模型。

89、在示例性方面中，该方法的任何动作的公开也应当被认为是一种指令的公开，该指令在由装置的至少一个处理器执行时使该装置执行相应动作。

90、在示例实施例中，网络功能可以包括装置或者可以被包括在装置中。在示例实施例中，网络功能可以是vlf协调方。在示例实施例中，网络功能可以是网络数据分析功能（nwdaf）。在示例性实施例中，nwdaf可以包括模型训练逻辑功能（mtlf）。

91、根据示例性方面，还公开了一种相应的装置。根据示例性方面的装置可以包括用于执行根据示例性方面的方法的部件。在示例性方面中，任何方法动作的公开也应当被认为是用于执行相应方法动作的部件的公开。根据示例性方面的装置可以是用于网络功能的装置。

92、在示例实施例中，网络功能可以包括装置或者可以被包括在装置中。在示例实施例中，网络功能可以是vlf协调方。在示例实施例中，网络功能可以是网络数据分析功能（nwdaf）。在示例性实施例中，nwdaf可以包括模型训练逻辑功能（mtlf）。

93、根据示例性方面的装置的部件或功能可以采用硬件和/或软件来实现。它们可以包括提供相应功能的一个或多个模块或单元。例如，它们可以包括用于执行计算机程序代码以执行所需功能的至少一个处理器、存储程序代码的至少一个存储器，或者两者兼有。或者，它们可以包括例如被设计用于实现所需功能的电路，例如实现在芯片组或芯片（如集成电路）中。通常，该部件可以包括例如一个或多个处理部件或处理器。

94、根据示例性方面，公开了一种相应的计算机可读介质。计算机可读介质可以是非易失性的。根据示例性方面的计算机可读介质可以包括程序指令，当由用于网络功能的装置执行时，该程序指令使得该装置执行根据示例性方面的方法。

95、例如，根据示例性方面的计算机可读介质可以是盘、或存储器、或类似的介质。程序指令可以以对计算机可读介质进行编码的指令的形式存储在计算机可读介质中。计算机可读介质可以旨在参与设备的操作，例如内部或外部存储器，例如计算机的只读存储器（rom）或硬盘，或者旨在程序的分发，例如光盘。

96、根据示例性方面，公开了一种相应的计算机程序。根据示例性方面的计算机程序可以包括指令，当由装置执行时，所述指令使得该装置执行根据示例性方面的方法。该装置可以是用于网络功能的装置。

97、根据示例性方面的计算机程序可以存储在计算机可读存储介质上，特别是有形的和/或非易失性计算机可读存储介质。特别地，根据示例性方面的计算机程序可以存储在根据示例性方面的非易失性计算机可读介质上。

98、应当理解，本文公开的实施例的呈现仅仅是示例性的，而非限制性的。

99、从结合附图考虑的以下详细描述中，本公开的其它特征将变得显而易见。然而，应当理解，附图仅被设计用于说明的目的，而不是作为对本公开的限制的定义，对于本公开的限制应当参考所附权利要求。还应当理解，附图不是按比例绘制的，并且它们仅旨在概念性地示出本文描述的结构和过程。