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。

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。

本文针对当前广泛使用的参数高效微调（PEFT）范式在推理阶段存在的隐私泄露风险，提出了一种名为 CryptPEFT 的隐私保护推理方案。在现有 PEFT 流程中，用户输入和微调后的轻量适配器（adapter）可能包含敏感信息，而直接应用多方计算（MPC）等密码学技术会导致计算和通信开销巨大，因为骨干网络（backbone）与适配器之间存在固有的双向通信。为此，CryptPEFT 创新性地设计了一种单向通信（OWC）架构，将加密计算完全限制在适配器一侧，从而显著降低开销。为了在单向通信约束下保持模型效用，作者探索了 OWC 兼容的适配器设计空间，并引入自动化架构搜索算法以优化隐私推理效率与模型性能之间的权衡。实验基于 Vision Transformer 骨干网络在多个图像分类数据集上进行，结果表明 CryptPEFT 相比现有基线方法实现了显著加速：在模拟广域网（WAN）和局域网（LAN）环境下分别达到 20.62 倍至 291.48 倍的推理速度提升。在 CIFAR-100 数据集上，CryptPEFT 在仅 2.26 秒的推理延迟下达到了 85.47% 的准确率。该工作为基于 PEFT 的推理提供了一种高效且隐私保护的解决方案，适合关注隐私计算、高效推理的机器学习与安全研究人员阅读。