本文研究了同态加密（HE）环境下神经网络推理的结构化剪枝对模型可靠性的影响，并提出了多项式敏感度感知剪枝方法（PSAP）。背景：同态加密允许对加密数据进行计算，但计算开销大，结构化剪枝是降低开销的关键技术，然而剪枝可能引入可靠性问题，如对位错误敏感。核心贡献：PSAP联合考虑权重幅度、多项式激活敏感度和旋转成本对滤波器进行评分，将剪枝集中在容错区域。实验在两种架构（ResNet-32等）、两个数据集、两种数值表示（int32, CKKS）和五种比特错误率下进行，包含40个全模型和108个每层实验。结果显示，PSAP剪枝模型将灾难性精度下降（>10%准确率下降）的层数限制在最多2层，而基于幅度的基线模型有5-14层受影响；在int32比特翻转注入下，最坏情况脆弱性降低最多29倍。直接CKKS加密故障注入表明安全操作边界在比特错误率（BER）约10^{-5}附近，支持int32注入作为保守可靠性代理。关键结构层仅占总参数量的1.1%，可选择性加固且开销极小。效率方面：在ResNet-32上，PSAP减少Halevi-Shoup旋转次数达45.2%；自适应混合度数分配方案将乘法深度从66降至56，无需bootstrapping即可实现分级推理。该论文是首个系统表征剪枝对同态加密神经网络可靠性影响的工作，为安全高效的加密推理提供了新方法。

该论文提出了LibFHE，一个基于CUDA-Python的高性能GPU加速同态加密框架，专注于实现非RNS（非剩余数系统）版本的CKKS-BGV全同态加密方案。自第四代FHE框架CKKS提出已有十年，但尚未出现第五代方案；近年来大量研究通过GPU加速来提升同态计算效率。大多数现有实现采用RNS-CKKS变体，而本文则重新审视原始的非RNS CKKS-BGV框架，并开发了对应的GPU实现及优化。实验结果表明，优化的CUDA-Python实现可以达到与高度优化的CPU端C++同态加密库（如SEAL、HElib）相当的性能，同时显著降低了实现复杂度并提高了编程可及性。该工作主要贡献为：1) 提供了首个非RNS CKKS-BGV的GPU加速实现；2) 证明了CUDA-Python结合Numba编译在保持高性能的同时能简化开发；3) 为密码学从业者探索替代加速路径提供了参考。

该论文研究在打包同态加密中高效计算有序前缀扫描（prefix scan）的问题。传统方法需要大量循环旋转操作（rotations）来实现非局部通信，其开销取决于物理槽位布局。论文针对存储在比特逆序（bit-reversed）排列中的 n=2^m 个元素（属于结合性、可能非交换的幺半群），提出了一种称为“复制-聚合不变性”（replicated-aggregate invariant）的新方法：每个对齐逻辑块的所有槽位都存储相同的完整块聚合，由于这些副本在语义上可互换，每层只需一次全局旋转即可为每个槽位提供有效的兄弟聚合，而无需精确的逻辑伙伴。基于此，论文设计了包含或排除的前缀扫描算法，仅需 m 次旋转、深度 m、两个现场状态向量，以及最多 2m-1 次打包幺半群组合。在计数模型下，这些界限是精确的：D^*(m)=R^*(m)=m，且相等性具有刚性：m 个偏移量恰好包含每个 2-adic 估值的一个代表。当最多有 K 个直接键控偏移量时，论文证明了乘积下界以及当 K 整除 m 时的精确边界 K*(2^{m/K}-1)。论文还将该算法实例化为比特逆序 CKKS 槽中的基数和进位排他扫描，避免了布局恢复和最终逻辑前驱移位。在 m=7 的实现中，复制扫描将直接比特逆序基线的旋转次数从 28 次减少到 7 次，评估密钥存储降低 70.0%，峰值堆内存使用降低 63.9%，孤立扫描延迟提升 19.9%。在深度为 5 的下游流水线中，保留额外的六个模数级别可避免一次靴带，平均配对加速比为 4.31 倍（95% 置信区间 [3.69, 4.92]）。该工作主要面向同态加密、安全多方计算和密码学领域的科研人员。

本文针对隐私保护的个性化联邦学习（PFL）中应用CKKS同态加密方案时缺乏系统参数选择指导的问题，提出了pFedCKKS框架。该框架将CKKS集成到PFL中，并首次提供了参数选择的系统指南。研究指出，在128位安全级别下，CKKS参数约束可简化为选择两个关键值：内部密文素数和外部密文素数。通过使用Flower框架和TenSEAL库实现，并在FEMNIST、CelebA和Sentiment140数据集上，结合FedFinetune、Ditto和FedPer三种PFL算法进行评估。实验揭示了精度与计算/通信成本之间的经验权衡，从而为实际部署pFedCKKS时选择适当的CKKS参数以平衡效率和准确性提供了具体指导。该工作对于希望使用同态加密保护隐私的PFL实践者具有重要参考价值。

该论文针对CKKS全同态加密（FHE）方案计算效率低、硬件开销大的问题，提出一种通信轻量化的异构加速架构HE^2。CKKS支持密文上的SIMD定点运算，包含计算密集型（ComOps）和内存密集型（MemOps）两类算子，现有ASIC或近内存处理（NMP）方案难以兼顾。作者将ASIC（xPU）与NMP（xMU）异构集成，但发现密钥切换（keyswitch）操作导致频繁高延迟的异构通信成为瓶颈。为解决此问题，论文首先提出数据流图（DFG）级优化框架，通过识别并行keyswitch块并融合ModUp/ModDown操作，充分利用提升（hoisting）算法的通信缩减潜力。其次，设计高效的异构架构，采用组级流水线执行，利用分解组间的内在并行性隐藏通信延迟。端到端评估表明，与最先进加速器相比，HE^2可实现1.66倍加速和9.23倍能量-延迟-面积积（EDAP）降低，通信停顿仅占总延迟的6.67%。该工作适合硬件架构研究人员、FHE加速器设计者以及关注隐私计算性能优化的安全从业者阅读。

本文针对同态加密（HE）中线性变换的计算效率问题展开研究。线性变换是神经网络（包括大语言模型）的核心操作，在隐私保护的云端推理场景中，需要在密文上直接计算。然而，基于CKKS方案的线性变换需要大量密文旋转操作，这些操作在现有简化技术下仍带来显著的内存和硬件开销。为此，作者提出了一种三步提升（triple-hoisted）的Baby-Step Giant-Step（BSGS）算法，通过进一步分解Baby Step，大幅减少了线性变换所需的密文旋转次数。为了降低占据主要延迟的片外内存访问，设计了内存优化数据路径，将算法划分为多个阶段以减少数据传输。此外，还基于FPGA实现了高效的硬件加速器，采用优化的置换电路进行消息路由。实验表明，在典型参数下，与先前最佳设计相比，片外内存访问减少了2.9倍；在Xilinx Virtex UltraScale+设备上综合实现，计算延迟相比基线设计降低了5.8倍。该工作为隐私保护机器学习中的线性操作加速提供了新的算法和硬件协同设计思路。