FedBit：通过位交错打包和跨层设计加速隐私保护联邦学习
密码学与安全
2025-09-30 v1 硬件体系结构
机器学习
摘要
完全同态加密 (FHE) 的联邦学习有效地在模型聚合之前加密本地模型更新，从而缓解来自不可信服务器或传输中窃听者的威胁。然而，同态加密associated 的计算负担和密文扩张显著增加资源和通信开销。为解决这些挑战，我们提出 FedBit，一个针对 Brakerski-Fan-Vercauteren (BFV) 方案进行硬件/软件协同设计的框架。FedBit 采用位交错数据打包将多个模型参数嵌入单个密文系数，从而最小化密文扩张并最大化计算并行度。此外，我们集成一个专用的 FPGA 加速器来处理加密运算并优化数据流以降低内存开销。实验结果表明，FedBit 在加密方面实现了两个数量级的加速，并将平均通信开销降低 60.7%，同时保持高准确率。
引用
@article{arxiv.2509.23091,
title = {FedBit: Accelerating Privacy-Preserving Federated Learning via Bit-Interleaved Packing and Cross-Layer Co-Design},
author = {Xiangchen Meng and Yangdi Lyu},
journal= {arXiv preprint arXiv:2509.23091},
year = {2025}
}