该论文针对基于RLWE的同态加密（HE）在联邦学习（FL）聚合中保护隐私时面临的计算和通信开销问题，提出了一种新型的两层数据编码方法。现有方法通常简单地在多项式中拼接整数或分配系数，未能充分利用RLWE的结构特性。作者设计了一种双层数据打包策略，在整数层和多项式层分别进行批量处理。第一层（整数层）将量化后的模型数据合并为更大的整数，并引入基于中国剩余定理（CRT）的编码方法替代传统拼接，有效缓解了溢出和错误传播问题。第二层（多项式层）将大整数转换为多项式形式，并提出了新的子环分解方法，通过环同构映射将多个大整数投影到不同的子多项式环中。该双层编码提供了更灵活和高效的批量同态加密解决方案。作者严格分析了方法的正确性、效率和安全性，实验结果表明，在联邦学习中应用该技术可显著提升计算和通信效率，优于当前批量同态加密方法。该研究主要面向隐私保护、密码学和安全联邦学习领域的研究人员。