[FL] Frameworks (Flower, TFF, NVFlare, FATE, PySyft)

FL Frameworks, Flower framework, Flower FL, TensorFlow Federated, TFF, NVFlare, NVIDIA FLARE, FATE framework, PySyft, OpenMined, FedML, 연합 학습 프레임워크

정의

연합 학습 프레임워크 는 서버-클라이언트 통신, 집계 알고리즘, 프라이버시 도구, 시뮬레이션 환경, 실 배포 인프라를 제공하는 라이브러리/플랫폼입니다. 알고리즘을 직접 구현하지 않고 자기 모델 학습 로직만 작성 하면 프레임워크가 나머지를 담당합니다.

주요 프레임워크 5개 (Flower, TFF, NVFlare, FATE, PySyft) 와 신진 (FedML, OpenFL) 을 비교합니다.

프레임워크 요약 비교

프레임워크	개발/유지	언어	프레임워크 애그노스틱	실 배포	시뮬레이션	프라이버시 도구
Flower	Adap (스타트업) + 커뮤니티	Python	✓ (PyTorch/TF/JAX/HF)	강함	✓	SecAgg, DP 통합
TFF	Google	Python	X (TF 위주)	시뮬레이션 위주	매우 강함	강함 (Google TFF Analytics)
NVFlare	NVIDIA	Python	✓	강함 (Clara)	✓	HE, DP, PSI
FATE	WeBank	Python + Scala	부분	매우 강함 (프로덕션)	✓	HE, MPC 강함
PySyft	OpenMined	Python	✓ (PyTorch/TF)	중간	✓	HE, MPC, DP 통합
FedML	FedML Inc.	Python	✓	강함	강함	통합

Flower (권장 진입점)

특징

• 가벼운 API, “가장 사용하기 쉬운 FL 프레임워크” 평판
• 완전 프레임워크 애그노스틱: PyTorch, TensorFlow, JAX, scikit-learn, HuggingFace 다 붙음
• 시뮬레이션과 실 배포가 같은 코드
• 200+ 학술 논문에 채택, 산업 사례 증가

코드 뼈대

Client:

import flwr as fl

class MyClient(fl.client.NumPyClient):
    def get_parameters(self, config):
        return [p.detach().cpu().numpy() for p in model.parameters()]

    def set_parameters(self, parameters):
        for p, new in zip(model.parameters(), parameters):
            p.data = torch.tensor(new)

    def fit(self, parameters, config):
        self.set_parameters(parameters)
        train(model, train_loader, epochs=config["local_epochs"])
        return self.get_parameters({}), len(train_dataset), {}

    def evaluate(self, parameters, config):
        self.set_parameters(parameters)
        loss, acc = evaluate(model, val_loader)
        return float(loss), len(val_dataset), {"accuracy": acc}

fl.client.start_numpy_client(server_address="server:8080", client=MyClient())

Server:

strategy = fl.server.strategy.FedAvg(
    fraction_fit=0.1,
    min_fit_clients=10,
    min_available_clients=100,
    on_fit_config_fn=lambda rnd: {"local_epochs": 1},
)

fl.server.start_server(
    server_address="0.0.0.0:8080",
    config=fl.server.ServerConfig(num_rounds=200),
    strategy=strategy,
)

지원 전략

FedAvg, FedProx, FedYogi, FedAdam, FedAdagrad, SCAFFOLD, FedMedian, Krum, FaultTolerantFedAvg, custom strategy 상속.

시뮬레이션

flwr.simulation.start_simulation 으로 단일 프로세스에서 수백 클라이언트 병렬 시뮬레이션 (Ray backend). 대규모 시뮬레이션에도 강함.

강점

• 진입 장벽 낮음
• 프로덕션 배포 (mobile SDK, edge) 사례 다수
• 활발한 커뮤니티, 문서 우수

약점

• HE / MPC 는 자체 제공 X, 다른 라이브러리 (CrypTen, TenSEAL) 와 통합 필요
• 시각화/모니터링 UI 는 별도 (외부 tool 필요)

TensorFlow Federated (TFF)

특징

• Google 개발, 학술 연구 및 시뮬레이션의 사실상 표준
• 두 계층 API: Federated Core (저수준) + Federated Learning API (고수준)
• TF eager mode + XLA 컴파일, 매우 빠른 시뮬레이션
• Federated Analytics (평균, 히스토그램 등 통계 연산도 연합) 강력

코드 예시

import tensorflow_federated as tff

def create_model():
    return tf.keras.Sequential([
        tf.keras.layers.Dense(128, activation="relu"),
        tf.keras.layers.Dense(10),
    ])

def model_fn():
    return tff.learning.models.from_keras_model(
        create_model(),
        input_spec=input_spec,
        loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
        metrics=[tf.keras.metrics.SparseCategoricalAccuracy()],
    )

trainer = tff.learning.algorithms.build_weighted_fed_avg(
    model_fn,
    client_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=0.02),
    server_optimizer_fn=lambda: tf.keras.optimizers.SGD(learning_rate=1.0),
)

state = trainer.initialize()
for round_num in range(NUM_ROUNDS):
    result = trainer.next(state, sampled_client_data)
    state = result.state
    print(f"Round {round_num}: {result.metrics}")

강점

• 시뮬레이션 성능 최상급
• Google Analytics DP 도구 성숙
• TFF Analytics 는 다른 프레임워크에 없는 강점

약점

• 실 배포 지원 약함. 시뮬레이션 편중.
• TF-heavy: PyTorch 사용자에겐 접근성 낮음
• API 학습 곡선 있음 (federated computation, TFF type system)

결론: Google 스타일 연구용. 배포는 다른 프레임워크 병행.

NVIDIA FLARE (NVFlare)

특징

• Cross-silo 프로덕션 지향. NVIDIA Clara (의료) 에서 검증
• 워크플로 지향: SAG (Scatter and Gather), CyclicController 등 orchestration
• 강한 프라이버시 툴: HE (TenSEAL), DP, PSI (Private Set Intersection)
• 모니터링 (TensorBoard, MLflow) 통합
• Multi-org deployment (여러 회사가 협력)

강점

• 의료/금융 실 배포 사례 (병원간, 은행간)
• 프라이버시 도구 통합 최상급
• Job / workflow 관리 성숙

약점

• Cross-device (수백만 모바일) 시나리오는 아님
• 진입 장벽 (연구자에게는 복잡)

대표 사용처: 다기관 의료 학습, 금융 컨소시엄.

FATE (Federated AI Technology Enabler)

특징

• WeBank (중국) 주도, cross-silo 산업 배포에서 압도적
• Multi-Party Computation (MPC), Homomorphic Encryption 이 first-class
• FederatedML: FL 알고리즘 대규모 라이브러리
• FATEFlow: workflow, FATEBoard: 시각화, FATE-Serving: 배포
• 스칼라 + 파이썬 + Spark 백엔드로 대규모 데이터에 강함

강점

• MPC/HE 통합이 가장 완성도 높음
• 대규모 데이터 (수백 GB+) 처리
• 배포 도구 (dashboard, monitoring) 완비

약점

• 학습 곡선 가파름
• 문서 대부분 중국어 (영어 자료 상대적으로 부족)
• 스타트업 규모에는 무거움

대표 사용처: 금융 컨소시엄, 대형 헬스케어.

PySyft (OpenMined)

특징

• 오픈소스 커뮤니티 (OpenMined) 주도
• 프라이버시 우선: HE, MPC, DP 통합
• PySyft + PyGrid 구조: SDK + 서버
• PyTorch, TensorFlow 지원

강점

• 프라이버시 도구 종합
• 활발한 오픈소스 커뮤니티
• 교육 리소스 풍부 (강좌, 튜토리얼)

약점

• 아키텍처 변경이 잦아 프로덕션 사용에는 신중 필요
• 성능 최적화가 후순위 (연구/교육 편중)

대표 사용처: 프라이버시 연구, 교육.

FedML

특징

• FedML Inc. 학술 + 산업 겸용
• FedML-Nexus AI: 학술 실험 + 산업 배포 통합 플랫폼
• 다양한 topology (star, ring, hierarchical) 지원
• Cross-silo + cross-device + IoT 모두

강점

• 다양한 시나리오 커버
• LLM/멀티모달 FL 초기 지원

약점

• 상대적으로 신생 (2021~), 성숙도 아직

프레임워크 선택 가이드

상황	권장
학습/연구, 빠른 프로토타입	Flower or TFF
PyTorch 워크로드, 실 배포 계획	Flower
Google 스타일 연구, 시뮬레이션 극대화	TFF
다기관 의료/금융, 프라이버시 필수	NVFlare or FATE
프라이버시 도구 강력	PySyft or FATE
모바일 SDK, edge	Flower
대규모 산업 배포 (수 GB+ 데이터)	FATE

Aggregation 알고리즘 지원 (공통)

대부분 프레임워크가 FedAvg, FedProx, FedYogi/Adam, SCAFFOLD, robust aggregation (Median, Trimmed Mean, Krum) 은 built-in. Personalized FL (pFedMe, Ditto) 은 프레임워크별 지원 편차. Custom strategy 상속으로 대체 가능.

함정

관련 위키

• Federated Learning - 상위 개념
• FedAvg - 대부분 프레임워크의 기본 전략
• Non-IID Data in FL - 알고리즘 선택 배경
• Secure Aggregation - 프레임워크 통합
• Personalized FL - 프레임워크별 지원 편차
• Differential Privacy - DP 통합