基于隐语的安全两方计算：支持的运算、协议和指标测试

[Stu-Yang]

我正在基于隐语设计安全两方算术运算（加法、减法和乘法），为了学术研究和性能测试的目的。设计过程中，出现了一些bug或者可以改进的地方，主要包括以下几个方面：

1. secretflow/secretflow支持的安全运算是否能以显式的方式进行计算，例如计算x*y，是否在定义x和y为device后能够直接以x*y来进行计算，或者其他便捷的方式。这一点或许需要隐语工程师提供一些参考文档（目前我已知的是文档中心/secretflow/教程/SPU/SPU基础）
2. secretflow/secretflow在安全计算过程中，可以通过创建一个SPU设备来实现安全计算，选择的协议有ABY3、CHEETAH和SEMI2K等，但不支持SPDZ2K（需要这个协议，我是想研究恶意两方计算的性能），但是根据secretflow/spu/libspu/mpc,secretflow/spu本身是支持SPDZ2K的，但在secretflow/secretflow下无法实现调用，所以想问SPDZ2K是否已经支持，还是后续会进行支持？
3. 隐语支持的安全运算是否能够记录安全计算的时间和通信量，例如记录安全计算x*y的时间和通信量。我已知的范围内，时间或许可以通过time()库来进行衡量，但是通信量是否能有相关的手段进行衡量，如果有是否可以给我一些参考资料。

该问题涉及到一些bug，更多的是讨论，因此本issue也在Disscussion板块提出(参见基于隐语的安全两方计算：支持的运算、协议和指标测试)，隐语工程师可以选择一个方式和我进行探讨，十分感谢～

Reproduction code to reproduce the issue.

下面是我运行的arithmetic.py

# 基于隐语的算术运算：加法、减法和乘法
# 2023.11.19

import secretflow as sf
import spu
import jax.numpy
import numpy as np

# Check the version of your SecretFlow
print('The version of SecretFlow: {}'.format(sf.__version__))

sf.shutdown()
sf.init(['alice', 'bob'], address='local')

# 创建两个PYU设备
alice, bob = sf.PYU('alice'), sf.PYU('bob')

# 创建一个基于两方semi2k协议的SPU设备，并用semi2k_config创建一个 SPU 设备
semi2k_config = sf.utils.testing.cluster_def(
    parties=['alice', 'bob'],
    runtime_config={
        'protocol': spu.spu_pb2.SEMI2K,  # 不支持SPDZ2K
        'field': spu.spu_pb2.FM64,
    },
)

spu_device = sf.SPU(semi2k_config)


# 定义算术运算，并进行计算
def add(x, y):
    return jax.numpy.add(x, y)

def sub(x, y):
    return jax.numpy.add(x, -y)

def matmul(x, y):
    return jax.numpy.matmul(x, y)

x = sf.to(alice, np.array([[1, 1],
                           [1, 1]]))
y = sf.to( bob , np.array([[1, 2], 
                           [3, 4]]))

add_ = spu_device(add)(x, y)
sub_ = spu_device(sub)(x, y)
matmul_ = spu_device(matmul)(x, y)

print(sf.reveal(add_))
print(sf.reveal(sub_))
print(sf.reveal(matmul_))    # 如何打印出时间和通信量？

下面是输出

(secretflow) root@iZwz91kwffr62f5fg8m4q8Z:~/yp_workplace/secretflow/example# python arithmetic.py
The version of SecretFlow: 1.3.0.dev20231119
2023-11-19 14:45:38,554 INFO worker.py:1538 -- Started a local Ray instance.
(_run pid=2644030) INFO:jax._src.xla_bridge:Unable to initialize backend 'cuda': module 'jaxlib.xla_extension' has no attribute 'GpuAllocatorConfig'
(_run pid=2644030) INFO:jax._src.xla_bridge:Unable to initialize backend 'rocm': module 'jaxlib.xla_extension' has no attribute 'GpuAllocatorConfig'
(_run pid=2644030) INFO:jax._src.xla_bridge:Unable to initialize backend 'tpu': INVALID_ARGUMENT: TpuPlatform is not available.
(_run pid=2644030) INFO:jax._src.xla_bridge:Unable to initialize backend 'plugin': xla_extension has no attributes named get_plugin_device_client. Compile TensorFlow with //tensorflow/compiler/xla/python:enable_plugin_device set to true (defaults to false) to enable this.
(_run pid=2644030) WARNING:jax._src.xla_bridge:No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)
(_run pid=2644023) INFO:jax._src.xla_bridge:Unable to initialize backend 'cuda': module 'jaxlib.xla_extension' has no attribute 'GpuAllocatorConfig'
(_run pid=2644023) INFO:jax._src.xla_bridge:Unable to initialize backend 'rocm': module 'jaxlib.xla_extension' has no attribute 'GpuAllocatorConfig'
(_run pid=2644023) INFO:jax._src.xla_bridge:Unable to initialize backend 'tpu': INVALID_ARGUMENT: TpuPlatform is not available.
(_run pid=2644023) INFO:jax._src.xla_bridge:Unable to initialize backend 'plugin': xla_extension has no attributes named get_plugin_device_client. Compile TensorFlow with //tensorflow/compiler/xla/python:enable_plugin_device set to true (defaults to false) to enable this.
(_run pid=2644023) WARNING:jax._src.xla_bridge:No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)
(SPURuntime pid=2645045) 2023-11-19 14:45:40.850 [info] [default_brpc_retry_policy.cc:DoRetry:52] socket error, sleep=1000000us and retry
(_run pid=2644031) INFO:jax._src.xla_bridge:Unable to initialize backend 'cuda': module 'jaxlib.xla_extension' has no attribute 'GpuAllocatorConfig'
(_run pid=2644031) INFO:jax._src.xla_bridge:Unable to initialize backend 'rocm': module 'jaxlib.xla_extension' has no attribute 'GpuAllocatorConfig'
(_run pid=2644031) INFO:jax._src.xla_bridge:Unable to initialize backend 'tpu': INVALID_ARGUMENT: TpuPlatform is not available.
(_run pid=2644031) INFO:jax._src.xla_bridge:Unable to initialize backend 'plugin': xla_extension has no attributes named get_plugin_device_client. Compile TensorFlow with //tensorflow/compiler/xla/python:enable_plugin_device set to true (defaults to false) to enable this.
(_run pid=2644031) WARNING:jax._src.xla_bridge:No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)
(SPURuntime pid=2645045) 2023-11-19 14:45:41.850 [info] [default_brpc_retry_policy.cc:LogHttpDetail:29] cntl ErrorCode '112', http status code '200', response header '', error msg '[E111]Fail to connect Socket{id=0 addr=127.0.0.1:33333} (0x0x4458fc0): Connection refused [R1][E112]Not connected to 127.0.0.1:33333 yet, server_id=0'
(SPURuntime pid=2645045) 2023-11-19 14:45:41.850 [info] [default_brpc_retry_policy.cc:DoRetry:75] aggressive retry, sleep=1000000us and retry
(SPURuntime pid=2645045) 2023-11-19 14:45:42.850 [info] [default_brpc_retry_policy.cc:LogHttpDetail:29] cntl ErrorCode '112', http status code '200', response header '', error msg '[E111]Fail to connect Socket{id=0 addr=127.0.0.1:33333} (0x0x4458fc0): Connection refused [R1][E112]Not connected to 127.0.0.1:33333 yet, server_id=0 [R2][E112]Not connected to 127.0.0.1:33333 yet, server_id=0'
(SPURuntime pid=2645045) 2023-11-19 14:45:42.850 [info] [default_brpc_retry_policy.cc:DoRetry:75] aggressive retry, sleep=1000000us and retry
(SPURuntime pid=2645044) 2023-11-19 14:45:42.894 [info] [default_brpc_retry_policy.cc:DoRetry:69] not retry for reached rcp timeout, ErrorCode '1008', error msg '[E1008]Reached timeout=2000ms @127.0.0.1:51289'
[[2 3]
 [4 5]]
[[ 0 -1]
 [-2 -3]]
[[4 6]
 [4 6]]

[Stu-Yang]

另外在文档中心/secretflow/开发者/设计文档/架构的可编程性提到：

用户自定义函数首先转换成XLA HLO Computation，由XLA进行设备无关的代码优化和分析，并发往后端设备。后端设备进一步执行代码优化和分析，并生成最终的可执行代码。可执行代码或由设备的虚拟机解释执行(PPU, HEU)，或由硬件直接执行(TEE)。使用XLA HLO作为IR，使得我们可以复用XLA前端和设备无关代码优化，同时使得后端实现更加简洁干净。

对于密文设备HEU，它仅支持一组有限的计算，因此提供了一组预定义算子如__add__, __mul__等，用户不能通过@device进行自定义编程。

x, y = HEUObject(), PYUObject()
z = x + y  # add
z = x * y  # mul
z = x @ y  # matmul

我希望能有如此简洁的安全计算方式，这应该会让初级编程者有好的体验。

[xiushuiguande]

discussion在此issue中解决
#1037