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。