DISAGG: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning (MLSys 2026)
一句话总结：one-shot SA（如 OPA）降轮次但密码学开销随维度爆炸；DISAGG 让客户 secret-share 更新给少量 Aggregator 委员会做部分和，服务器仅重构聚合，消除 pairwise mask 与 HE，在 100k 维×100k 5G 客户端 上比 OPA 4.6× 加速，分析模型预测 M=N=1M 时可达 ~25×。
问题与动机
Cross-device Federated-Learning 需 secure aggregation（SA）防 honest-but-curious server 反演个体更新。SecAgg 多轮 O(N²) 代价；OPA 单轮但 LWR/packed Shamir 重。目标：保留 one-shot/异步参与，降低 client 与 server 密码学负担。
关键观察 / 隐含假设
-
观察 1：mask-cancel 类协议把求和留在 server，client 端 mask 与 dropout recovery 成本高；把求和下沉到委员会可在保持 T-privacy 下减掉 local masking。
- 依赖假设：γ 比例勾结、δ dropout、Byzantine 界限下阈值 tr/tc 可选（扩展 LCC 分析）。
- 可能失效场景：Aggregator 被攻破比例超模型；恶意 Aggregator 篡改部分和。
-
观察 2：Lagrange Coded Computing 加法同态 secret share 适合向量求和；仅 Aggregator 收 share（非全员广播）降带宽。
- 依赖假设：域大小 p≥2³² 量化误差可忽略；PKE（DH）建通道。
- 可能失效场景：极高维稀疏更新 packing 策略不当仍贵。
-
观察 3：三 round（选 U、regular client→share、Aggregator→partial sum→server reconstruct）与 OPA 同属 one-shot 异步类。
- 依赖假设：足够 |U0|、|A0| 到达即可重构，无全局 barrier。
- 可能失效场景：Aggregator 掉线率高于模型假设时延迟重构。
核心方法
每轮：server 广播模型；regular client 量化 Δw 并 secret-share 给 A 个 Aggregator（Algorithm 1）；Aggregator 本地加总 share；server 用 Algorithm 2 重构 ΣΔw。威胁模型：T-privacy，含 server + ≤γN 勾结 client。
相比 LIGHTSECAGG/OPA：无 homomorphic mask；Aggregator 额外通信由小委员会规模控制。
设计取舍
- Aggregator 委员会 vs 纯 server：client 计算降，引入高权限角色与额外 hop。
- Secret-sharing vs HE：更快，依赖阈值与 dropout 分析正确性。
- 量化 vs 浮点：标准 SA 做法，略损 utility。
- 边界条件：cross-device 大规模 N；datacenter FL 不同威胁模型未强调。
实验与结果
- 100k 维、100k 客户端：4.6× vs OPA（摘要/实验节）。
- 解析 timing framework：M=N=1M 配置预期 ~25× vs OPA。
- 对比 SecAgg、SecAgg+、LIGHTSECAGG、OPA 等（复杂度与仿真）。
Critical Analysis
论证链条
one-shot 痛点 + committee sum 直觉 → 协议 + 阈值分析 + timing，逻辑清楚。25× 来自分析外推，需生产流量验证。
假设压力测试
Aggregator 成为新攻击面；5G client 计算/电量是否真能承担 share+encrypt；与 DP 组合的开销。
实验可信度
大规模维度仿真强；真机百万 client 未演示。Baseline OPA 代表 one-shot SOTA。
系统性缺陷
运维委员会选举、轮换、审计；straggler Aggregator 尾延迟；论文对 mobile 网络抖动讨论有限。
局限与 Future Work
- 局限：Aggregator 信任与可用性；极端 dropout 下延迟；与生产 FL 栈（TFF）集成成本。
- Future work：动态委员会规模；与压缩梯度结合；形式化 composable 安全在 DP-SGD 全流程。