1. 隐私计算任务编排与调度导论

隐私计算并不是单一技术，而是联邦学习、安全多方计算、可信执行环境、同态加密等多条技术路线的集合。当多个参与方需要在“数据不出域”的前提下联合完成一次建模、查询或统计时，真正困难的往往不是某个密码学算子本身，而是把分散在不同机构、不同引擎、不同算力上的子任务组织成一条可执行、可观测、可复现的流水线。这正是“任务编排与调度”要解决的问题，也是本课程贯穿始终的主线。

课程定位：从“能算”到“算得起来、算得稳”

如果把隐私计算比作一座工厂，算法与协议决定了“机器能加工什么”，而编排与调度决定了“原料如何按顺序进入各台机器、机器之间如何交接、出故障时如何回退”。本课程定位在系统层与工程层：不深入推导密码学协议的安全性证明，而是聚焦于任务如何被描述、拆分、编排、调度、监控与容错。学完之后，你应当能够读懂一条隐私计算作业的 DAG，能设计跨参与方的任务依赖，能针对资源与数据分布选择合适的调度策略，并能定位“任务卡住”“结果不一致”“参与方掉线”等典型问题。

核心问题：四个必须回答的工程命题

无论使用哪种隐私计算框架，编排与调度都要回答以下四类问题：

• 依赖问题：哪些子任务必须先完成？例如联邦学习的“分发模型 → 本地训练 → 梯度加密上传 → 安全聚合”存在严格先后关系，而各参与方的本地训练可以并行。
• 放置问题：每个子任务应该在哪台机器、哪个参与方、哪种引擎上执行？数据不能出域，意味着计算必须靠近数据，调度器要在“数据本地性”和“算力负载”之间权衡。
• 协调问题：跨参与方的任务如何同步？谁负责触发、谁负责等待、超时如何处理？这涉及控制流与数据流的分离。
• 容错问题：某个参与方训练失败或网络抖动时，是重试、跳过还是整体回滚？隐私计算中重试往往意味着重新执行昂贵的密码学运算，代价很高。

这四个问题构成了本课程的知识骨架。后续章节会分别展开任务建模、DAG 编排、资源调度、跨域协调与容错恢复。

技术栈全景

从下往上，隐私计算任务编排与调度涉及的技术栈大致可分为五层：

理解这张分层图很关键：编排与调度处在“承上启下”的位置，向上承接业务与算法意图，向下驱动具体引擎执行。很多工程问题之所以难，是因为故障发生在层与层的交界处，例如编排层认为任务已完成，而引擎层实际仍在等待某个参与方的密文。

学习路径：先建模型，再学调度，最后做排障

建议按“任务建模 → 编排表达 → 调度策略 → 跨域协调 → 容错与观测”的顺序推进。第一步要能把一个隐私计算业务拆成带依赖的任务图；第二步要能用 DAG 或模板把它表达出来；第三步要理解调度器如何在数据本地性与算力之间取舍；第四步要处理多参与方的同步与超时；第五步要能通过日志与指标定位问题。这条路径与前面四个核心问题一一对应。

一个可对照的示例：两方纵向联邦逻辑回归

为了让你对“编排”有具体感受，这里给出一个简化示例。假设机构 A 持有标签与部分特征，机构 B 持有另一部分特征，双方联合训练逻辑回归。任务可拆为：

task_init        : 双方交换样本对齐所需的 ID 哈希
task_align       : 求交集，得到共同样本索引
task_split       : 按批次划分训练数据
task_forward_A   : A 计算本地线性部分
task_forward_B   : B 计算本地线性部分
task_secure_agg  : 安全聚合两方部分结果，得到总 logit
task_loss_grad   : 计算损失与梯度（加密态）
task_update      : 双方各自更新本地参数
task_eval        : 在验证集上评估，输出 AUC

其中 task_forward_A 与 task_forward_B 可并行，但都必须完成后才能进入 task_secure_agg；task_update 依赖梯度结果，且必须两方都成功。若 B 在 task_forward_B 超时，调度器可以选择重试该子任务，而不是回滚整个训练。这个例子说明：编排的价值在于把“哪些能并行、哪些必须同步、失败时影响范围多大”显式表达出来，而不是把所有步骤串成一条黑盒。

本课程的能力目标

完成本课程后，你应当能够：读懂并绘制隐私计算任务的 DAG；根据数据分布与算力约束设计调度策略；识别跨参与方协调中的同步点与超时风险；利用日志、指标与血缘进行排障与复现；并在合规审计要求下说明任务执行路径。这些能力不依赖某一款具体框架，而是可以迁移到 FATE、SecretFlow 或自研平台上。

下一阶段，我们将从任务建模开始，把“业务意图”一步步翻译成调度器可以执行的图结构。