SCP Federated Training Protocol Specification v0.1（Detailed Version with Contribution Types）

Privacy-preserving Distributed Federated Training Protocol（完整详细规范，含6种贡献类型）

版本：v0.1
状态：Production Protocol Specification（Mainnet-ready Detailed Version）
发布日期：2026-02
适用范围：SCP Compute Plane（Vault / Coordinator / Registry Control Plane）

---

一、协议目的（Purpose）

SCP Federated Training Protocol（FTP）定义了在 SCP 网络中执行隐私保护分布式模型训练的完整机制。

FTP 的目标是：

• 支持在 Vault 本地执行模型训练
• 原始数据永不离开 Vault
• 支持多种训练贡献类型（gradient、weight_update 等）
• 支持可验证训练（Proof-of-Training）
• 支持 extensible schema
• 支持所有 AI 模型类型

FTP 是 SCP Compute Plane 的核心协议。

---

二、Training Contribution 抽象模型（Training Contribution Abstraction）

SCP 不限制 Vault 必须返回 gradient。

Vault 返回统一抽象结构：

TrainingContribution

定义：

{
  "job_id": "...",
  "vault_id": "...",
  "epoch": 1,
  "contribution_type": "...",
  "contribution": {...},
  "proof": {...}
}

字段说明：

job_id：训练任务 ID

vault_id：Vault ID

epoch：训练 epoch

contribution_type：贡献类型

contribution：贡献 payload

proof：训练证明

---

三、支持的 6 种 Training Contribution 类型（核心新增章节）

SCP v0.1 明确定义支持以下 6 种 contribution_type：

类型	返回内容	适用场景	是否常用
Gradient	梯度 ∇L	深度学习、NN、Transformer	⭐⭐⭐⭐⭐
Weight Update	权重增量 ΔW	FedAvg、传统 FL	⭐⭐⭐⭐⭐
Full Model Weights	完整模型参数	小模型、LoRA	⭐⭐⭐
Embedding Update	embedding 向量	推荐系统、RAG	⭐⭐⭐⭐
Sufficient Statistics	统计量	线性模型、逻辑回归	⭐⭐⭐⭐
Custom Contribution	自定义	RL、强化学习等	⭐⭐

---

3.1 Gradient Contribution

类型：gradient

描述：Vault 返回 loss function 的梯度。

适用模型：Neural Networks、Transformers、Deep Learning models

示例：

{
  "contribution_type": "gradient",
  "contribution": [0.0023, -0.0008, 0.0011]
}

Coordinator 聚合：

global_gradient = average(all gradients)

---

3.2 Weight Update Contribution

类型：weight_update

描述：Vault 返回模型权重更新 ΔW。

适用模型：Federated Averaging（FedAvg）、Neural networks

示例：

{
  "contribution_type": "weight_update",
  "contribution": [0.0003, -0.0001, 0.0005]
}

Coordinator 聚合：

global_weights = average(weight_updates)

---

3.3 Sufficient Statistics Contribution

类型：statistics

描述：Vault 返回 sufficient statistics，而不是 gradient。

适用模型：Linear Regression、Logistic Regression、Gaussian models

示例：

{
  "contribution_type": "statistics",
  "contribution": {
    "xtx": [[12.3, 4.5], [4.5, 9.8]],
    "xty": [3.4, 5.6],
    "count": 120
  }
}

Coordinator 可直接计算模型参数。

---

3.4 Embedding Update Contribution

类型：embedding_update

描述：Vault 返回 embedding 向量更新。

适用模型：Recommendation systems、Embedding models、Vector models

示例：

{
  "contribution_type": "embedding_update",
  "contribution": {
    "embedding_delta": [...]
  }
}

---

3.5 Adapter Update Contribution

类型：adapter_update

描述：Vault 返回 adapter / LoRA 参数更新。

适用模型：LLM fine-tuning、Adapter-based models

示例：

{
  "contribution_type": "adapter_update",
  "contribution": {
    "lora_A": [...],
    "lora_B": [...]
  }
}

---

3.6 Custom Contribution

类型：custom

描述：Vault 返回自定义训练贡献。

适用场景：Reinforcement Learning、Specialized models

示例：

{
  "contribution_type": "custom",
  "contribution": {...}
}

---

四、Contribution Aggregation Rules（聚合规则）

Coordinator 根据 contribution_type 使用不同 aggregation：

gradient → average gradient

weight_update → average weight updates

statistics → aggregate sufficient statistics

embedding_update → merge embeddings

adapter_update → merge adapter weights

custom → use custom aggregation

---

五、Proof-of-Training（训练证明）

Vault 必须提供 proof：

{
  "contribution_hash": "...",
  "vault_signature": "..."
}

Coordinator 验证 proof。

---

六、安全模型（Security Model）

Vault：never exposes raw data

Coordinator：cannot access Vault data

Registry：stores metadata only

---

七、隐私模型（Privacy Model）

FTP 保证：

local training only

secure aggregation

proof verification

---

八、Summary（总结）

SCP Federated Training Protocol v0.1 支持：

6 种 training contribution 类型

privacy-preserving training

verifiable training

scalable federated training

FTP enables decentralized AI training for all model types.