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。