PackVFL：面向垂直联邦学习的高效同态加密打包方案

基于同态加密 (HE) 的垂直联邦学习 (VFL) 因数据膨胀和耗时的运算而面临严重的效率问题。为此，我们提出 PackVFL，一个基于打包同态加密 (PackedHE) 的高效 VFL 框架，以加速现有基于 HE 的 VFL 算法。PackVFL 将多个明文打包为一个密文，支持单指令多数据 (SIMD) 风格的并行。我们 focus 于设计高性能矩阵乘法 (MatMult) 方法，因为它在 HE 基于 VFL 的密文计算中占据绝大比例。此外，设计 MatMult 方法也对 PackedHE 而言具有挑战性，因为轻微的打包方式差异会显著影响其计算和通信成本。缺乏针对性设计时，直接应用 SOTA MatMult 方法难以实现最优。因此，我们进行三方面的设计：1) 系统性地探索 MatMult 的当前设计空间并量化既有方法的复杂度以提供指导；2) 提出一种基于 VFL 独特特性的混合 MatMult 方法；3) 在代表性 VFL 算法中自适应应用混合方法，利用算法的独特特性进一步提升效率。随着 VFL 的批大小、特征维度和模型规模扩展至大规模，PackVFL 持续提供性能提升。实验表明，PackVFL 将现有 VFL 算法提升至新高度，实现了最高可达 $51.52X$ 的端到端加速，这相当于比直接应用 SOTA MatMult 方法提升了 $34.51X$。