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。

私有信息检索（PIR）允许用户在不泄露查询内容的情况下从数据库中检索数据，但传统PIR方案计算开销大、内存需求高，难以大规模部署。本文提出VIPIR，一个通用的GPU框架，通过联合设计PIR协议与GPU加速来解决这些瓶颈。首先，作者构建了一个统一分析模型，将现有最先进的PIR协议归类为两种类型，每种类型各有互补的局限性。基于此，他们提出了两种新协议，灵活组合两类技术的优势，克服了各自缺点。新协议引入了一种GPU友好的数据压缩方法——基于扩展的环打包（ExpPack），该技术具有高并行度和极低的通信开销。VIPIR进一步优化了核心运算，包括数论变换（NTT）和各种矩阵乘法（GEMM）。特别地，他们通过将数据库乘法解释为混合整数类型的GEMM，开发了基于张量核心的执行方法。此外，VIPIR设计了内存高效的调度方案，最小化中间缓冲区，并支持在内存容量限制下的多GPU扩展。实验表明，VIPIR相比现有PIR系统实现了数量级的吞吐量提升，同时降低了通信和内存开销，使大规模PIR变得实用。该工作对密码学、高性能计算和隐私保护领域具有重要参考价值。