本文针对基于近似全同态加密（FHE）的多智能体控制系统中存在的安全与性能权衡问题，提出了一种新的博弈论分析框架。在加密控制场景下，云端使用CKKS方案对智能体的状态进行全同态加密计算，但由于控制环需要解密以执行控制动作，解密过程中会泄露加密噪声，构成密钥恢复攻击的途径。现有研究多假设静态安全或半诚实云端，且持续性威胁博弈未考虑密码系统内部细节。本文将该系统的安全性建模为一个两阶段博弈：被动侦察阶段和主动操纵阶段，中间由仅检测操纵行为的残差检测器分隔。在被动阶段，问题简化为已知的泛洪攻击权衡；主动防御策略采用重密钥（re-keying）而非自举（bootstrapping），因为只有重密钥能重置累积的泄露。主动阶段是一个检测-规避时间博弈：如果对手进行过度操纵会被检测到，因此理性对手会选择保持隐蔽。在Stackelberg均衡下，防御方采用最懒惰的重密钥节奏来阻止对手，该节奏由图拓扑的控制理论脆弱性决定。边际稳定图（marginally-stable graph）需要比重密连通图更频繁地重密钥。本文揭示了FHE精度、控制精度和重密钥节奏之间的三维张力，确定了博弈存在的可行区域（介于可防御下限和静态足够上限之间）。有效安全点位于该窗口内，其中重密钥是精度效率的代价。更广泛地，反馈环中近似密码系统的安全性是一个动态博弈，防御方的动作是密码方案自身的刷新，该结论可推广到任何必须重复解密以执行动作的系统。

本研究提出 Bifrost，一种融合可信执行环境（TEE）与全同态加密（FHE）的混合推理架构，旨在解决云端 Transformer 和大语言模型（LLM）推理中的用户隐私保护问题。当前云端推理存在直接机密性风险：用户提示可能包含敏感代码、业务数据、个人信息或受监管文件，但远程服务会将中间状态暴露给云端软件栈和加速器运行时。全同态加密（FHE）能在加速器端保持纯密文执行，但端到端 LLM 推理因线性层与非线性、缓存状态和刷新敏感算子交错而成本高昂。CPU 可信执行环境（TEE）可原生执行这些算子，但单独的 CPU TEE 无法定义不可信加速器如何参与。Bifrost 的核心思路是将秘密仅提供给经过认证的 CPU TEE，而加速器、设备内存、驱动/运行时栈和主机软件均不在可信计算基内。它利用 FHE 作为安全委托机制，在加速器支持的 CKKS 上执行投影和前馈线性层，同时非线性算子、注意力侧控制逻辑、KV 状态转换以及解密-再加密刷新均在 CPU TEE 内部执行。进一步地，Bifrost+ 应用了预填充/解码分离：提示侧 KV 状态在 CPU TEE 内构建，仅解码侧状态进入混合密文路径。在采用 Euston 方法论进行估计风格对比时，Bifrost 在 GPT-2（1.5B）上预测延迟降低 9.25 倍，在 LLaMA 3（8B）上降低 9.91 倍。在直接 CKKS/FHE 部署中，Bifrost+ 在 GPT-2（124M）上将首词延迟（TTFT）降低 14.6-45.8 倍，在 Qwen3（0.6B）上降低 15.3-53.4 倍。本工作的系统教训是选择性加密执行：仅在需要加速器纯密文委托时使用 FHE，而将非线性、刷新和提示侧工作保留在 CPU TEE 内。该研究适合关注隐私保护推理、TEE 与 FHE 混合方案的安全工程师和研究人员。