HHEML：面向边缘隐私保护机器学习的混合同态加密
密码学与安全
2025-10-24 v1 分布式、并行与集群计算
摘要
隐私保护机器学习（PPML）是一个新兴课题，旨在处理不可信环境中对敏感数据进行安全的机器学习推理。全同态加密（FHE）允许在服务器端直接对加密数据进行计算，使其成为PPML的一种有前景的方法。然而，它在客户端引入了显著的通信和计算开销，使其在边缘设备上不切实际。混合同态加密（HHE）通过结合对称加密（SE）和FHE来减少客户端的计算成本，并且结合FHE友好的SE还可以减轻服务器端的处理开销，从而成为一种更平衡和高效的替代方案。我们的工作提出了一种硬件加速的HHE架构，该架构围绕一个针对FHE兼容性优化的轻量级对称密码构建，并实现为专用的硬件加速器。据我们所知，这是首个将端到端HHE框架与硬件加速相结合的设计。除此之外，我们还提出了几种微架构优化以实现更高的性能和能效。所提出的工作被集成到一个完整的PPML流水线中，与软件实现相比，能够以显著更低的延迟和功耗实现安全推理。我们的贡献验证了低功耗、硬件加速的HHE在边缘部署的可行性，并为在资源受限环境中构建可扩展、安全的机器学习系统提供了一种硬件-软件协同设计方法。在PYNQ-Z2平台上使用MNIST数据集进行的实验表明，与现有的基于FPGA的HHE加速器相比，客户端加密延迟降低了50倍以上，硬件吞吐量提高了近2倍。
引用
@article{arxiv.2510.20243,
title = {HHEML: Hybrid Homomorphic Encryption for Privacy-Preserving Machine Learning on Edge},
author = {Yu Hin Chan and Hao Yang and Shiyu Shen and Xingyu Fan and Shengzhe Lyu and Patrick S. Y. Hung and Ray C. C. Cheung},
journal= {arXiv preprint arXiv:2510.20243},
year = {2025}
}