隐语环境的搭建

隐语环境搭建

隐语环境的搭建对硬件的基本的要求是

• CPU:8core
• RAM:16GB

软件上需要一个python3.8的环境，所以比较方便的是装一个conda。我在服务器上装的是anaconda，如果设备上没有conda具体安装方式可以参考ubuntu20.04安装anaconda。安装完成后在命令行依次输入以下命令

初始化conda

conda init

        

          
        
        
        

          

          AI 代码解读
        
      
      

新建一个名为secretflow的虚拟环境，python版本指定为3.8

conda create -n secretflow python=3.8

        

          
        
        
        

          

          AI 代码解读
        
      
      

进入虚拟环境

conda activate secretflow

        

          
        
        
        

          

          AI 代码解读
        
      
      

安装完整版隐语

pip install -U secretflow

        

          
        
        
        

          

          AI 代码解读
        
      
      

或者你也可以安装Lite版的隐语

pip install -U secretflow-lite

        

          
        
        
        

          

          AI 代码解读
        
      
      

安装完毕以后可以尝试运行以下的python代码import隐语，如果python不报错就说明安装成功了

import secretflow as sf

        

          
        
        
        

          

          AI 代码解读
        
      
      

隐语部署

secretflow提供了两种模式，仿真模式和生产模式。第一种支持单机/多机的代码验证模式，方便调试和debug；第二种就是真实的生产环境中使用的模式。

仿真模式-单机

下面这段代码是本地仿真模式的例子

import secretflow as sf
sf.init(parties=['alice','bob'], address='local')
alice=sf.PYU('alice')
bob=sf.PYU('bob')
alice(lambda x:x)(2)
bob(lambda x:x)(2)

        

          
        
        
        

          

          AI 代码解读
        
      
      

仿真模式-集群（基于Ray）

填写主节点ip和端口(Alice)

ray start --head\
--node-ip-address="{ip}"--port="{port}"\
--resources='{"alice":16}'\
--include-dashboard=False\
--disable-usage-stats

        

          
        
        
        

          

          AI 代码解读
        
      
      

从节点(Bob)

ray start\
--address="{alice的ip和port}"\
--resources="{"bob":16}"\
--include-dashboard=False\
--disable-usage-stats

        

          
        
        
        

          

          AI 代码解读
        
      
      

生产模式

生产模式和仿真模式不同的地方在于，每一个参与方都必须有一个自己的独立Ray集群，也必须参与执行代码。
Alice端代码示例

import secretflow as sf
cluster_config={
    'parties':{
        'alice':{'address':'ip:port of alice'},
        'bob':{'address':'ip:port of bob'},
    },
    'self_party':'alice',
}

sf.init(address='{Ray head node address of bob}',
cluster_config=cluster_config)

        

          
        
        
        

          

          AI 代码解读