XFL: A High Performace, Lightweighted Federated Learning Framework

本文介绍了XFL——一个高性能、轻量级、工业级的开源联邦学习框架。针对现有联邦学习框架在安全性、易用性、可扩展性及工业落地能力方面的不足，XFL系统性整合了同态加密（Paillier、CKKS）、差分隐私、安全多方计算等隐私计算技术，支持横向与纵向联邦学习全场景，覆盖监督/无监督学习、联邦迁移学习等主流任务，并内置丰富的预置算法库（如FedAvg、FedProx、Scaffold、Logistic回归、XGBoost、ResNet、BERT等）。框架采用四层模块化架构：底层兼容gRPC、Redis、HDFS、Spark及PyTorch/TensorFlow/PaddlePaddle/JAX等主流深度学习引擎；密码学层提供可插拔加密组件；模型层封装通用联邦训练流程与安全聚合机制；管理层支持任务调度、监控与日志。XFL创新性引入独立调度器（Scheduler）角色，解耦任务发起方与数据提供方，支持灵活的角色动态切换；通过轻量化设计与Docker容器化部署，显著降低开发与运维门槛。实验表明，XFL在多种网络条件下保持高鲁棒性，在XGBoost与逻辑回归任务中展现出优异吞吐性能（如3方XGBoost平均单轮耗时仅26.24秒），且在非独立同分布（Dirichlet分布）数据下，Scaffold等优化算法相较FedAvg显著减少收敛所需全局轮次（最高提速约50%）。XFL已开源，代码与文档公开于GitHub，旨在推动隐私保护机器学习技术的工程化普及与产业应用。