SoK: Fully Homomorphic Encryption Accelerators
本文首次系统研究了14种全同态加密(FHE)加速器,通过定性分析演化轨迹与定量评估开源测试平台,为未来FHE加速器的设计与实现指明方向。
2024-01-31 cs.AR cs.CR
A Compiler from Array Programs to Vectorized Homomorphic Encryption
本文提出Viaduct-HE编译器,将面向数组的源程序自动生成高效向量化同态加密程序,通过搜索向量化调度和项重写优化,生成与专家设计相当的复杂数据布局和优化。
2023-11-10 cs.CR cs.PL
CHET: Compiler and Runtime for Homomorphic Evaluation of Tensor Programs
University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Research(微软研究院)
全同态加密(FHE)是指一组加密方案,其允许计算直接应用于加密数据而不需要秘密密钥。这实现了新的应用场景,其中客户端可以安全地将存储和计算卸载到第三方云提供商,而不必信任具有解密密钥的软件和硬件供应商。FHE方案和实现的最新进展已经将这种应用从理论可能性转移到实践领域。本文提出了一个紧凑的和推理良好的接口称为同态指令集架构(HISA)开发FHE应用程序。正如硬件ISA接口使硬件进步能够独立于编译器和语言运行时中的软件进步而进行一样,HISA将用于支持FHE应用的编译器优化和运行时从底层FHE方案的进步中分离出来。本文通过构建一个端到端软件栈来评估加密数据上的神经网络模型,从而展示了HISA的功能。我们的堆栈包括一个端到端编译器、运行时和一组优化。我们的方法表明,在一组流行的神经网络架构上生成的代码比手动优化的实现更快。
2018-10-01 cs.CR cs.LG cs.PL
EVA: An Encrypted Vector Arithmetic Language and Compiler for Efficient Homomorphic Computation
University of Texas at Austin(德克萨斯大学奥斯汀分校);EPFL(洛桑联邦理工学院);Microsoft Research(微软研究院)
全同态加密(FHE)通过实现存储和计算的安全卸载而提供强大的能力,并且方案和实现中的最新创新使其更具吸引力。与此同时,FHE是出了名的难以与非常受约束的编程模型、非常不寻常的性能配置文件和许多加密约束一起使用。现有的FHE编译器要么针对更简单但效率较低的FHE方案,要么只支持特定的域,在这些域中,它们可以依赖于专家提供的高级运行时来隐藏复杂性。本文提出了一种新的FHE语言称为加密向量算术(EVA),它包括一个优化编译器,生成正确的和安全的FHE程序,同时隐藏所有的复杂性的目标FHE计划。在我们优化编译器的支持下,程序员可以直接在EVA中开发高效的通用FHE应用程序。例如,我们已经开发了使用EVA的图像处理应用程序,只有很少的几行代码。EVA也被设计为一种中间表示,可以作为编译更高级别的领域特定语言的目标。为了证明这一点,我们重新定位CHET,现有的特定领域的编译器神经网络推理,EVA。由于EVA中的新颖优化,其程序平均比CHET生成的程序快5.3倍。我们相信EVA将使FHE更容易开发FHE应用程序和特定领域的FHE编译器,从而使FHE得到更广泛的采用。
2020-06-26 cs.CR cs.LG cs.PL
Ciphertext- and Polynomial-Level Optimization for Fully Homomorphic Encryption
研究针对全同态加密编译器在粗粒度密文级别错过优化机会的问题,提出Recifhe多级编译器,支持密文级和多项式级优化,可将非FHE程序转换为FHE程序并消除冗余计算,实现1.25倍加速。
2026-07-21 cs.CR cs.SE
HElium: A Language and Compiler for Fully Homomorphic Encryption with Support for Proxy Re-Encryption
针对多方场景下 FHE 缺乏 PRE 支持的问题,提出首个原生支持 PRE 的优化编译器 HElium,通过 HEDSL 和电路转换最小化 PRE 操作,显著降低开销。
2023-12-21 cs.CR cs.PL
Adapting AlphaEvolve to Optimize Fully Homomorphic Encryption on TPUs
Google(谷歌);Georgia Institute of Technology(佐治亚理工学院);Google DeepMind(谷歌DeepMind)
本文提出利用AlphaEvolve自动化优化TPUs上的全同态加密内核,通过进化搜索提升TFHE和CKKS方案的执行效率,减少延迟。
2026-05-14 cs.CR
TFHE-Coder: Evaluating LLM-agentic Fully Homomorphic Encryption Code Generation
University of Central Florida(中佛罗里达大学)
本文提出编译器集成框架TFHE-Coder,系统评估开源与闭源LLM生成TFHE逻辑门和ReLU代码的能力,并验证RAG、少样本提示等智能体优化可降低错误、改善可编译性与代码保真度。
2025-03-15 cs.CR cs.LG
Blind-Touch: Homomorphic Encryption-Based Distributed Neural Network Inference for Privacy-Preserving Fingerprint Authentication
本文提出Blind-Touch系统,通过同态加密和分布式神经网络推理实现隐私保护指纹认证,在保持高准确率的同时显著提升云端处理效率。
2024-04-01 cs.CR
SoK: Opportunities for Software-Hardware-Security Codesign for Next Generation Secure Computing
用户要求提高数据安全性。因此,安全性正迅速成为下一代计算系统中的一阶设计约束。研究人员和实践者正在探索各种安全技术以满足用户需求,诸如可信执行环境(例如,Intel SGX、ARM TrustZone)、同态加密和差分隐私。每种技术都提供了一定程度的安全性,但在威胁覆盖范围、性能开销以及实施和部署挑战方面有所不同。在本文中,我们提出了一个系统化的知识(SoK),这些设计考虑和权衡使用几个突出的安全技术。我们的研究揭示了\textit{software-hardware-security}协同设计的需要,以实现高效和有效的解决方案,保护用户数据。特别是,我们探讨如何跨应用程序,硬件和安全机制的设计考虑必须结合起来,以克服当前技术的根本限制,使我们可以最大限度地减少性能开销,同时实现足够的威胁模型覆盖。最后,我们提出了一套指导方针,以促进这些安全计算技术付诸实践。
2021-05-02 cs.AR cs.CR
ILA: Correctness via Type Checking for Fully Homomorphic Encryption
提出面向正确性的中间语言ILA,通过不依赖密钥的类型系统静态跟踪FHE电路噪声与回绕错误,并基于通用FHE模型为BGV、BFV和TFHE方案提供功能正确性保证。
2025-09-15 cs.CR cs.PL
Compile-Time Fully Homomorphic Encryption of Vectors: Eliminating Online Encryption via Algebraic Basis Synthesis
本研究提出编译时FHE密文合成框架,用预计算加密基向量加运行时缩放零加密构造密文,消除在线加密,证明其IND-CPA安全性,降低内存开销且兼容标准FHE操作,适用于加密数据库等场景。
2025-05-22 cs.CR
Verified Pythagorean Composition for Adaptive Cryptographic Games: Noise Flooding in Homomorphic Encryption
Joint Center for Quantum Information and Computer Science, University of Maryland(马里兰大学量子信息与计算科学联合中心);School of Informatics, The University of Edinburgh(爱丁堡大学信息学院)
本文通过Rocq与SSProve机器验证,改进了同态加密噪声泛滥防御的安全性证明,将线性损失优化为平方根损失,形式化归约并证明了q次查询IND-CPAD敌手的优势边界。
2026-08-17 cs.CR
CHEHAB RL: Learning to Optimize Fully Homomorphic Encryption Computations
New York University Abu Dhabi(纽约大学阿布扎比分校)
CHEHAB RL通过深度强化学习自动优化FHE代码,提升执行速度和减少噪声,编译过程更高效。
2026-01-27 cs.CR cs.LG
SoK: Privacy Preserving Machine Learning using Functional Encryption: Opportunities and Challenges
Georgia State University(佐治亚州立大学)
本文系统化梳理基于功能加密的隐私保护机器学习研究,重点分析内积 FE 与二次 FE 模型及相关库的性能、可用性和未来方向。
2022-09-02 cs.CR cs.LG
Quantum Advantage from Any Non-Local Game
我们展示了一个一般的方法编译任何$k$证明非本地游戏到一个单一的证明互动游戏保持相同的(量子)的完整性和(经典)健全的保证(可忽略不计的添加剂因素的安全参数)。我们的编译器使用任何量子同态加密方案(Mahadev,FOCS 2018; Brakerski,NPTO 2018),满足关于辅助(量子)输入的自然形式的正确性。同态加密方案被用作模拟空间分离效果的密码机制,并且被要求对加密查询评估$k-1$证明器策略(出自$k$)。结合丰富的文献(纠缠)多证明非本地游戏开始著名的CHSH游戏(克劳泽,霍恩,Shimonyi和霍尔特,物理评论快报1969年),我们的编译器给出了一个广泛的框架,用于构建机制,经典验证量子优势。
2022-03-29 cs.CR quant-ph
SoK: Practical Foundations for Software Spectre Defenses
Spectre漏洞违反了我们关于架构抽象的基本假设,允许攻击者窃取敏感数据,尽管以前有最先进的对策。为了防御Spectre,验证工具和基于编译器的缓解措施的开发人员被迫推理微架构细节,例如推测执行。为了以有原则的方式帮助开发人员进行这些攻击,研究界已经为投机性执行寻找了正式的基础,以重建可证明的安全保证。本文系统化了社区目前关于Spectre软件验证和缓解的知识。我们研究了最先进的软件防御,无论有没有相关的正式模型,并使用一个有凝聚力的框架来比较每个防御提供的安全属性。我们探讨了各种各样的权衡正式框架的表现力,防御工具的复杂性,以及由此产生的安全保证。作为我们的分析结果,我们建议开发人员的分析和缓解工具的实际选择,我们确定在这方面的几个开放的问题,以指导未来的工作接地软件防御。
2022-04-08 cs.CR cs.PL
Publicly Verifiable Deletion from Minimal Assumptions
本文提出一个仅依赖单向函数等最小假设的通用编译器,通过数字签名将私有可验证删除升级为公开可验证删除,适用于公钥加密、属性基加密和量子全同态加密等原语,无需额外假设。
2023-04-14 cs.CR quant-ph
KeyMemRT Compiler and Runtime: Unlocking Memory-Scalable FHE
University of Edinburgh(爱丁堡大学)
KeyMemRT通过自动密钥管理和数据流分析,降低FHE内存消耗并提升运行效率。
2026-01-26 cs.CR cs.PF
Meeting in the Middle: A Co-Design Paradigm for FHE and AI Inference
University of Manchester(曼彻斯特大学);Sei Labs(Sei实验室);University of Portsmouth(普森特大学)
本文提出一种协同设计方法,通过优化FHE方案和推理架构,降低同态计算成本,解决云推理中的隐私问题。
2026-03-20 cs.AI cs.CR
F1: A Fast and Programmable Accelerator for Fully Homomorphic Encryption (Extended Version)
全同态加密(FHE)允许对加密数据进行计算,从而能够将计算安全地卸载到不受信任的服务器。虽然它提供了理想的安全性,但FHE在软件中执行时是昂贵的,比对未加密数据的计算慢4到5个数量级。这些开销是FHE广泛采用的主要障碍。我们介绍F1,第一个可编程的FHE加速器,即,能够执行完整的FHE程序。F1建立在对FHE计算特征的深入架构分析的基础上,该分析揭示了加速机会。F1是一个宽向量处理器,具有专门用于FHE原语的新型功能单元,例如模运算,数论变换和结构化排列。这种组织提供了如此多的计算吞吐量,以至于数据移动成为瓶颈。因此,F1的主要目的是最大限度地减少数据移动。F1硬件提供了一个明确管理的存储层次结构和机制,将数据移动与执行分离。一种新的编译器利用这些机制,以最大限度地重用和调度片外和片上数据移动。我们使用周期精确模拟和RTL合成来评估F1。F1是第一个加速完整FHE程序的系统,其性能比最先进的软件实现高出5400倍和17000倍。这些加速可以抵消FHE的大部分开销,并支持新的应用程序,例如云中的实时私有深度学习。
2021-09-25 cs.AR cs.CR
BASALISC: Programmable Hardware Accelerator for BGV Fully Homomorphic Encryption
针对全同态加密实用性受限的问题,提出支持BGV方案全打包自举的可编程硬件加速器架构BASALISC,通过优化内存层次与专用运算单元实现较HELib超5000倍的加速。
2023-07-25 cs.AR cs.CR
Network and Compiler Optimizations for Efficient Linear Algebra Kernels in Private Transformer Inference
New York University(纽约大学)
本研究通过网络和编译器优化提升FHE环境下Transformer推理的效率,发现BSGS方法比打包行方法快13.7倍,并通过剪枝策略减少FHE运行时间11.46倍。
2025-12-11 cs.CR
A Scalable Architecture for Efficient Multi-bit Fully Homomorphic Encryption
Duke University(杜克大学)
针对多位TFHE受限于数值表示宽度的问题,提出硬件加速器Taurus,利用新型FFT单元和密钥重用策略支持高达10位密文,配合操作去重编译器,实现比CPU快2600倍、比GPU快1200倍的提升,并首次支持GPT-2等大模型的隐私保护推理。
2025-09-16 cs.AR cs.CR
GME: GPU-based Microarchitectural Extensions to Accelerate Homomorphic Encryption
本文提出GME,通过在AMD CDNA GPU架构上集成片上互连、模归约硬件单元和流水线算术核心等微架构扩展及编译优化,显著加速全同态加密,相比CPU、GPU和FPGA实现取得最高796倍加速。
2023-09-20 cs.AR cs.CR
Computation on Encrypted Data using Data Flow Authentication
在将数据发送到云之前对其进行加密可以保护数据免受黑客和恶意内部人员的攻击,但需要云计算加密数据。可信(硬件)模块,例如,像英特尔的SGX这样的安全飞地,可以非常有效地在加密内存中运行整个程序。然而,已经证明,软件漏洞给攻击者提供了充分的机会将任意代码插入程序。然后,该代码可以修改程序的数据流,并通过SGX侧通道将程序中的任何秘密泄露给云中的观察者。由于任何大型程序都充斥着软件漏洞,因此将整个程序外包给SGX飞地并不是一个好主意。一种具有小型可信代码库的安全替代方案是全同态加密(FHE)--加密计算的圣杯。然而,由于其高计算复杂性,它不太可能在不久的将来被采用。因此,研究人员提出了几个建议,将程序转换为在功能较弱的加密方案上执行加密计算。然而,当前的方法在基于加密数据做出控制流决策的程序上失败。本文介绍了数据流认证的概念。DFAuth防止攻击者任意偏离程序的数据流。因此,攻击者无法在SGX上执行之前概述的攻击。这使得所有的程序,甚至包括对控制流决策变量的操作,都可以在加密数据上计算。我们实现DFAuth使用一种新的认证同态加密方案,Java字节码到字节码编译器产生完全可执行的程序,和SGX飞地。对敏感医疗数据执行机器学习的转换神经网络可以在0.86秒内对加密输入和加密权重进行评估。
2017-10-01 cs.CR
Leveraging ASIC AI Chips for Homomorphic Encryption
Georgia Institute of Technology(佐治亚理工学院);Massachusetts Institute of Technology(麻省理工学院);Google(谷歌);NVIDIA(英伟达);Cornell University(康奈尔大学)
本文探讨利用现有AI加速器如Google的TPU,通过CROSS编译器框架实现同态加密的高效能,解决GPU架构与同态加密算法的不匹配问题,提升能效。
2026-01-31 cs.AR cs.CL cs.CR
Code Generation for Cryptographic Kernels using Multi-word Modular Arithmetic on GPU
针对全同态加密等密码技术计算开销大的问题,本文提出多字模运算MoMA的形式化方法及配套重写系统,在GPU上生成的密码内核性能远超现有多精度库,NTT性能接近ASIC水平。
2025-01-13 cs.CR cs.PL
FHE-Agent: Automating CKKS Configuration for Practical Encrypted Inference via an LLM-Guided Agentic Framework
University of Minnesota -- Twin Cities(明尼苏达大学-双城分校);North Carolina State University(北卡罗来纳州立大学)
FHE-Agent通过LLM引导的代理框架自动化CKKS配置,提升加密推断的精度与效率
2025-11-23 cs.AI cs.CR cs.LG
Vectorized Secure Evaluation of Decision Forests
随着对基于机器学习的推理的需求与对隐私的担忧一起增加,人们越来越认识到对安全机器学习的需求,其中秘密模型可以用于对私有数据进行分类,而模型或数据不会泄露。全同态加密(FHE)允许在加密数据上进行任意计算,提供了提供这种安全推断的有吸引力的方法。虽然这种计算通常比其明文对应物慢几个数量级,但FHE密码系统执行\emph{ciphertext packing}的能力-即加密整个明文向量,以便在向量上按元素计算操作-有助于减轻这种开销,有效地创建SIMD架构,其中计算可以向量化以进行更有效的计算。这一领域的最新研究针对的是规则的、易于向量化的神经网络模型。将类似的技术应用于不规则的ML模型,如决策森林,由于其复杂的,难以向量化的结构,仍然没有探索。在本文中,我们提出了COPSE,第一个系统,利用密文包装进行决策森林推理。COPSE由一个分段编译器组成,它自动重新构造决策森林模型并将其编译为一组新的可向量化原语,以进行安全推理。我们发现,COPSE的编译模型在一系列决策森林模型中的表现优于最先进的模型,通常超过一个数量级,同时仍然具有良好的扩展性。
2021-04-19 cs.CR cs.PL
Wildest Dreams: Reproducible Research in Privacy-preserving Neural Network Training
Tampere University(坦佩雷大学)
本文聚焦隐私保护机器学习(PPML)训练阶段,梳理同态加密、安全多方计算相关研究进展,综述最新PPML训练框架并对比其特性与性能,复现部分研究结果,指出理论与应用在开源、可复现性等方面的差距。
2024-03-06 cs.AI cs.CR