该论文揭示了分布式推理管道中一种新型攻击面——工作负载攻击。在现代AI推理系统中，通常采用双路径架构：快速路径（Fast Path）在本地或轻量模型上快速返回预测以满足延迟截止时间，慢速路径（Slow Path）则在远程更强硬件上运行高计算量方法以获得更高精度，并通过协调层（包含路由器与融合器）决定是否合并慢速路径返回的预测。研究者指出，这种协调层引入了一个新攻击面：攻击者可以通过构造形状化的工作负载（如Yo-Yo式突发请求）制造共享资源竞争，导致正常用户的慢速路径预测因超过延迟截止时间而被融合器丢弃，而快速路径仍能按时输出结果，从而损失慢速路径带来的精度提升，这种现象被称为“精度崩溃”（Accuracy Collapse）。实验以自动驾驶中的两层级边缘-云多目标跟踪（MOT）管道为例，模拟攻击显示：约4000个突发形状的请求即可将正常用户的p99延迟从92ms增加至2秒，几乎消除慢速路径云推理的收益，导致目标跟踪质量平均下降7.0 HOTA点（满分约80）。进一步发现精度退化幅度（2.0-18.7 HOTA点）因攻击所针对的视频区间而异，某些稀有类别（如停止标志）在攻击前几乎损失近一半的预测精度。这一结果表明，工作负载攻击无需访问模型权重或受害者数据，仅通过网络流量即可显著降低推理质量，对边缘-云协同、实时决策等场景构成严重威胁。论文还讨论了针对路由、融合、调度及资源隔离的潜在防御方向。

本文提出了一种新颖的基于模板的图同态加密（TGHE）框架，旨在解决现有同态加密（HE）图神经网络（GNN）系统在边缘-云系统中进行隐私保护推理时面临的可扩展性问题。传统的HE-GNN系统采用图中心范式，每个查询的成本与全局图大小成正比，导致实际应用仅限于最多约2万个节点的图，无法处理动态且大规模的金融交易图。TGHE通过利用事务图中局部计算树收敛为少量结构形状的“模板”现象，转向以自我为中心（ego-centric）的视角。该框架在边缘设备上对每个节点的ego图进行规范化，将结构相同的树打包到共享的CKKS密文中，实现SIMD并行加密推理。为解决长尾分布问题，提出了两个优化器：近似模板拟合（ATF）和拓扑坍缩（TC），以强制所有ego图都适合SIMD操作。在包含370万个节点和430万条边的DGraphFin数据集上，TGHE-Collapse版本相比顺序加密基线实现了66.9倍的加速，且AUC损失小于0.002。实验证明了该方法在保持高精度的同时，显著提升了加密推理效率，使隐私保护GNN能够扩展到实际大规模金融图。该工作主要贡献在于揭示了图结构中的模板特性，并首次实现了基于ego图打包的SIMD同态加密推理，为边缘-云环境下的隐私计算提供了高效路径。适合对隐私保护机器学习、同态加密、图神经网络及其在金融领域应用感兴趣的研究者和工程师阅读。