2. 联邦学习中的参与方角色建模

在联邦学习系统中，参与方角色建模是身份与权限治理的起点。如果角色边界模糊，后续的认证、授权、审计和追责都会失去依据。一个可落地的联邦学习系统通常需要区分四类角色：协调方、参与方、审计方和监管方。它们不是简单的“管理员与用户”关系，而是围绕模型训练生命周期形成的职责分工与制衡结构。

一、四类角色的身份定义

协调方（Coordinator）是联邦学习任务的发起者和编排者。它负责定义训练任务、选择参与方、分发全局模型初始参数、聚合各参与方上传的模型更新，并决定训练轮次何时终止。协调方通常不直接接触原始数据，但它掌握全局模型和训练过程的关键控制权。在身份上，协调方应具有唯一且可验证的系统身份，例如由平台CA签发的服务证书或基于DID的去中心化标识。

参与方（Participant）是持有本地数据并执行本地训练的组织或节点。参与方接收协调方下发的全局模型，在本地数据上完成若干轮训练，计算梯度或模型更新，并按约定格式上传。参与方的核心身份属性包括：组织标识、节点标识、数据域标识、可参与的任务类型以及权限有效期。参与方身份必须与数据所有权绑定，确保“谁的数据、谁授权、谁训练”可追溯。

审计方（Auditor）是独立于训练执行过程的第三方角色，负责验证训练过程是否符合预设规则。审计方不参与模型聚合，也不接触原始数据，但可以访问训练日志、模型更新摘要、参与方签名记录和聚合证明。其身份定义强调独立性和可验证性，通常需要独立的密钥对和审计凭证，确保其出具的审计结论不可被协调方或参与方单方面篡改。

监管方（Regulator）是代表法律、行业或合规要求的监督角色。监管方通常不直接介入技术训练流程，而是通过策略接口、合规报告和审计结果来行使监督权。监管方的身份定义需要满足法定授权、管辖范围和最小必要知情原则。在系统中，监管方往往以只读方式访问合规仪表盘、审计报告和异常事件记录。

二、职责划分与权限边界

角色定义清楚之后，必须进一步明确“能做什么”和“不能做什么”。协调方拥有任务编排权，但不应拥有对参与方原始数据的读取权；参与方拥有本地数据的使用权，但不应拥有全局模型的最终解释权；审计方拥有过程验证权，但不应拥有模型参数的修改权；监管方拥有合规审查权，但不应拥有训练过程的直接干预权。这种“权责分离”是联邦学习治理区别于传统集中式机器学习的关键。

在实际系统中，权限边界通常通过策略引擎来落地。例如，协调方调用聚合接口时需要提供任务令牌；参与方上传更新时需要附带数据使用授权凭证；审计方查询日志时需要出示审计身份证书；监管方访问报告时需要验证其管辖范围。每个角色的权限集合应遵循最小必要原则，并且所有越权访问尝试都应被记录和告警。

三、角色建模的落地方法

角色建模不是画一张组织架构图，而是要形成可执行的策略配置。一个实用的做法是为每个角色定义“身份属性 + 权限策略 + 审计要求”三元组。以参与方为例，身份属性包括组织ID、节点ID、数据域标签；权限策略包括可参与的任务类型、可上传的更新格式、单轮最大数据量；审计要求包括上传签名、时间戳、数据使用声明。协调方、审计方和监管方也应按同样结构定义。

下面给出一个角色策略配置的示例片段，用于说明如何把职责划分转化为可执行的策略描述。该示例为教学假设，实际字段需根据平台和合规要求调整。

{
  "role": "participant",
  "identity": {
    "org_id": "ORG-HOSP-003",
    "node_id": "NODE-FL-021",
    "data_domain": "medical-imaging",
    "certificate": "did:fl:org-hosp-003:node-fl-021"
  },
  "permissions": {
    "allowed_tasks": ["fedavg", "fedprox"],
    "max_upload_size_mb": 50,
    "allowed_update_types": ["gradient", "model_diff"],
    "data_export": false
  },
  "audit": {
    "require_signature": true,
    "require_timestamp": true,
    "require_data_usage_declaration": true,
    "log_retention_days": 180
  }
}

这段配置表达了参与方的核心约束：只能参与指定类型的联邦任务，上传内容有大小和类型限制，原始数据禁止导出，且每次上传都必须附带签名、时间戳和数据使用声明。协调方在收到上传请求时，会先校验这些策略，再决定是否接受该更新进入聚合流程。

四、角色之间的制衡关系

四类角色之间不是单向管理关系，而是相互制衡。协调方虽然控制训练流程，但其聚合行为需要接受审计方的验证；审计方的结论需要提交给监管方作为合规依据；监管方的策略要求又会反过来约束协调方的任务定义和参与方的数据使用范围。这种制衡关系可以用“协调方—参与方”作为执行链，“审计方—监管方”作为监督链来理解。执行链负责完成训练，监督链负责确保训练过程可验证、可追责、可合规。

五、常见误区与判断依据

角色建模中最常见的误区是把协调方和参与方混为一谈，或者让审计方直接参与模型聚合。前者会导致数据所有权和训练控制权不清，后者会破坏审计独立性。判断角色划分是否合理，可以问三个问题：第一，每个角色是否只拥有完成其职责所必需的最小权限？第二，是否存在一个角色可以同时修改训练结果和审计记录？第三，监管方能否在不接触原始数据的前提下获得足够的合规信息？如果这三个问题的答案都是肯定的，说明角色建模基本成立。

另一个需要关注的点是角色数量的动态变化。在跨机构联邦学习中，参与方可能随时加入或退出，审计方可能按任务轮换，监管方可能因管辖范围不同而有多方并存。因此，角色模型应支持多实例、多租户和动态授权，而不是把角色写死在代码里。身份定义应使用可验证凭证或去中心化标识，权限策略应集中管理但可分布式执行，审计记录应不可篡改且可独立验证。

总结来说，协调方、参与方、审计方和监管方构成了联邦学习身份治理的基本骨架。协调方负责“把训练跑起来”，参与方负责“在本地把模型训好”，审计方负责“证明过程没问题”，监管方负责“确认整体合规”。四者各司其职、相互制衡，才能让联邦学习在保护数据隐私的同时，满足工程落地和合规监管的双重要求。