该论文提出了一种基于同态加密的状态空间模型（HSSM），用于在加密数据上执行序列推理任务。全同态加密（FHE）在序列模型中的应用面临旋转操作、密文乘积、密文物化、乘法深度和自举等成本问题。论文的核心创新是引入“公钥衰减”（public-decay）机制：将携带状态通过密文-明文公共衰减进行更新，而密文-密文乘法仅发生在局部写入路径上，从而在整个序列中保持固定加密状态。工作流程将客户端与服务器端分离：客户端负责分词、冻结的fastText词嵌入、投影、裁剪、加密、解密和阈值化；服务器端对边界投影特征执行加密评估。在完整的Rotten Tomatoes和SST-2验证集上，加密HSSM路径与明文分类完全匹配，准确率分别达到0.7505和0.7420。与同等工作负载下使用HE友好型多项式注意力相比，HSSM在保持或超越全序列任务质量的同时，运行速度快约5倍。在L40S上的操作级性能对比显示，HSSM比缓存最终令牌的多项式注意力延迟低1.34-1.62倍，比全序列多项式注意力延迟低30-258倍，且加密状态占用空间更小。T=16/32的比较器实验表明，在深度8/环大小32768参数下，带有加密公共线性输入和Q/K/V投影的HSSM成功运行，而投影注意力需要深度10/环大小65536。在OpenFHE/FIDESlib上的T=8跟踪测试显示，两个后端均在最终层级3和噪声尺度2完成。这些结果表明，公钥衰减机制是一种实用的FHE协同设计杠杆，可用于基于边界投影特征的加密序列推理。该研究适合对同态加密、隐私保护机器学习、序列模型效率优化感兴趣的学者和工程师。