💻 computer science

An Adaptive Resource-Aware MK-CKKS Framework with Linear- Complexity Multi-Key Aggregation for Privacy-Preserving Federated Learning in Resource-Constrained IoT Environments

Dieses Paper präsentiert ein adaptives, ressourcenbewusstes MK-CKKS-Framework für privatsphäreerhaltendes föderiertes Lernen im IoT, das eine Aggregation mit Multi-Key über lineare Komplexität sowie signifikante Leistungssteigerungen durch reale Experimente auf MNIST und CIFAR-10 erreicht, während es transparent anerkennt, dass die Konstruktion mit unabhängigen Schlüsseln sowie die Validierung an physischer Hardware zukünftige Arbeiten bleiben.

Ursprüngliche Autoren: Nasir Ahmad Jalali, Hongsong Chen

Veröffentlicht 2026-08-10

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Nasir Ahmad Jalali, Hongsong Chen

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Welt vor, in der Ihre Smartwatch, der Thermostat Ihres Nachbarn und das Navigationssystem Ihres Autos gemeinsam lernen wollen, um bessere Vorhersagen zu treffen, aber sie haben schreckliche Angst davor, ihre Geheimnisse preiszugeben. Dies ist das Herzstück des Federated Learning (Föderiertes Lernen), einer cleveren Methode, bei der Computer an einem gemeinsamen Projekt zusammenarbeiten können, ohne jemals ihre privaten Notizbücher auszuhändigen. Anstatt ihre Daten an einen zentralen Chef zu senden, schicken sie nur die „gelernten Lektionen“ (mathematische Aktualisierungen) hin und her.

Aber es gibt einen Haken: Selbst diese Lektionen können versehentlich private Details verraten, wie etwa das, was Sie getippt haben oder wohin Sie gefahren sind. Um dies zu verhindern, nutzen Wissenschaftler einen magischen Trick namens Homomorphe Verschlüsselung. Stellen Sie sich das wie eine verschlossene Glaskiste vor. Sie können ein Stück Papier hineinlegen, die Kiste verschließen und dann Mathematik direkt am Äußeren der Box durchführen. Die Box wird schwerer oder verändert ihre Form, aber das Papier im Inneren bleibt verborgen. Wenn Sie die Box schließlich öffnen, ist das Ergebnis genau das, was Sie erhalten hätten, wenn Sie die Mathematik direkt auf dem Papier durchgeführt hätten. Diese „verschlossenen Boxen“ sind jedoch schwer, langsam zu tragen, und wenn Sie hundert Freunde haben, die ihre Boxen kombinieren wollen, kann der Prozess des Zusammenfühgens zu einem logistischen Albtraum werden, der das System zum Absturz bringt.

Dies ist das Rätsel, das Nasir Ahmad Jalali und Hongsong Chen in ihrer neuen Forschungsarbeit lösen. Sie fragten sich: „Wie können wir diese geheimnisvolle mathematische Kommunikation schnell und leicht genug für winzige, batteriebetriebene Geräte wie IoT-Sensoren machen, ohne das Schloss zu brechen?“

Das Problem: Der schwere Rucksack

In der Vergangenheit war der Versuch, die verschlüsselten Aktualisierungen vieler verschiedener Geräte zu kombinieren, so, als würde man versuchen, hundert verschiedene Sprachen in ein einziges Gespräch zu verschmelzen. Jedes Mal, wenn zwei Geräte ihre „verschlossenen Boxen“ teilen wollten, mussten sie einen komplexen Übersetzungsschritt namens Key-Switching (Schlüsselwechsel) durchführen. Wenn Sie 20 Geräte hatten, musste diese Übersetzung hunderte Male stattfinden. Wenn Sie 200 Geräte hatten, explodierte die Anzahl der Übersetzungen so schnell (quadratisch), dass das System zum Stillstand kam. Es war, als würde man versuchen, jeden Menschen in einem Stadion einzeln jedem anderen vorzustellen, bevor sie gemeinsam ein Lied singen können.

Darüber hinaus waren die Standard-Verschlüsselungseinstellungen für riesige Cloud-Server konzipiert, nicht für kleine, energiehungrige Geräte. Diese schweren Einstellungen auf einem winzigen Sensor zu verwenden, war so, als würde man versuchen, eine Taschenlampe mit einer Autobatterie zu betreiben – es funktionierte zwar, aber es entleerte den Akku sofort und war viel zu sperrig.

Die Lösung: Ein smartes Fließband

Die Autoren schlagen ein neues Framework vor, das wie ein smartes Fließband für diese verschlüsselten Nachrichten fungiert. Ihr großer Durchbruch ist eine neue Art, den „Übersetzungsschritt“ zu handhaben. Anstatt dass jedes Gerät mit jedem anderen spricht, führen sie eine Referenzdomäne ein.

Stellen Sie sich eine Gruppe von Spionen vor, die alle geheime Nachrichten an ein zentrales Hub senden müssen. Auf dem alten Weg hätte Spion A seine Nachricht für Spion B übersetzen müssen, dann für Spion C und so weiter. In der neuen Methode übersetzt jeder Spion seine Nachricht nur ein einziges Mal in eine gemeinsame „Hub-Sprache“ (die Referenzdomäne). Sobald alle dieselbe Sprache sprechen, können sie ihre Nachrichten einfach in einen einzigen Haufen werfen. Dies verändert die Arbeitslast von einem chaotischen, quadratischen Chaos (wo eine Verdoppelung der Spione die Arbeit vervierfacht) zu einer einfachen, linearen Liste (wo eine Verdoppelung der Spione die Arbeit nur verdoppelt).

Sie haben auch ein „ressourcenbewusstes“ Gehirn in das System integriert. Bevor ein Gerät eine Nachricht sendet, prüft das System den Batteriestand und die Geschwindigkeit des Geräts. Wenn ein Gerät schwach ist, verwendet es eine leichtere, schnellere Verschlüsselungseinstellung. Wenn es stark ist, nutzt es eine schwerere, sicherere Einstellung. Dies stellt sicher, dass kein Gerät überfordert wird.

Was sie tatsächlich herausgefunden haben

Die Forscher haben diese Ideen nicht nur in einer Computersimulation getestet; sie haben das System gebaut und es real getestet. Sie trainierten Modelle auf zwei berühmten Bilddatensätzen, MNIST (handgeschriebene Ziffern) und CIFAR-10 (Farbfotos von Tieren und Autos), unter Verwendung eines Netzwerks simulierter Geräte.

Hier ist, was ihre realen Tests zeigten:

Geschwindigkeit: Als sie die Anzahl der Geräte von 20 auf 200 erhöhten, war ihre neue Methode beim Kombinieren der Nachrichten 9,4- bis 100,6-mal schneller als die alte, klobige Methode.
Effizienz: Es gelang ihnen, die Menge der über das Netzwerk gesendeten Daten um etwa 39 % bis 41 % zu reduzieren und die Zeit, die es dauerte, um eine Trainingsrunde abzuschließen, um 66 % bis 68 % zu senken.
Genauigkeit: Der wichtigste Teil? Das System lernte genauso gut wie die unverschlüsselte Version. Beim Test der handgeschriebenen Ziffern erreichte es eine Genauigkeit von 94,98 %, und beim Test der Farbfotos erreichte es 46,97 %. Die „magische Box“ hat die Mathematik nicht kaputt gemacht; sie hat sie nur besser versteckt.
Packleistung: Indem sie mehrere Datenteile in eine einzige verschlüsselte „Box“ steckten (eine Technik namens Packing), reduzierten sie die Größe der Nachrichten um unglaubliche 3.900 bis 4.060 Mal im Vergleich zum Einzelversand.

Die ehrliche Wahrheit

Obwohl die Ergebnisse beeindruckend sind, sind die Autoren sehr sorgfältig darin, ehrlich darüber zu sein, was sie noch nicht getan haben. Sie geben zu, dass sie das System noch nicht auf physischen Geräten wie einem Raspberry Pi oder einer echten Smartwatch getestet haben; ihre Tests wurden auf einem Standard-Computerserver durchgeführt. Sie merken auch an, dass sie zwar bewiesen haben, dass die Mathematik ihrer neuen „Übersetzungsmethode“ perfekt für bis zu 200 Geräte funktioniert, aber noch keine öffentliche Bibliothek gebaut haben, die das exakte „unabhängige Schlüssel“-Setup für jedes einzelne Gerät in der realen Welt nutzt. Das ist der nächste Schritt.

Warum es wichtig ist

Dieses Paper zeigt, dass wir uns nicht zwischen Privatsphäre und Leistung entscheiden müssen. Indem wir neu überdenken, wie verschlüsselte Geräte miteinander kommunizieren, können wir eine Zukunft aufbauen, in der unsere intelligenten Geräte gemeinsam lernen können, um unser Leben zu verbessern, ohne jemals einen zentralen Chef mit unseren privaten Daten vertrauen zu müssen. Es verwandelt einen schweren, langsamen und teuren Prozess in etwas Leichtes, Schnelles und Skalierbares und ebnet den Weg für eine wahrhaft private künstliche Intelligenz in unseren alltäglichen Gadgets.

Technische Zusammenfassung: Ein adaptives ressourcenbewusstes MK-CKKS-Framework für privatsphäreerhaltendes föderiertes Lernen in ressourcenbeschränkten IoT-Umgebungen

1. Problemstellung

Die Proliferation von IoT-Geräten hat verteiltes maschinelles Lernen mittels Federated Learning (FL) ermöglicht, doch ressourcenbeschränkte Geräte stehen vor erheblichen Herausforderungen bei der Implementierung privatsphäreerhaltender Protokolle. Während Homomorphe Verschlüsselung (HE), speziell das CKKS-Schema, Berechnungen auf verschlüsselten Daten ermöglicht, sind Standardkonfigurationen für Cloud-Skala-Workloads optimiert, was zu prohibitiven Chiffretextgrößen und einem Rechenaufwand führt, der für IoT-Geräte zu hoch ist.

Das Problem wird in Multi-Key-Szenarien verschärft, in denen Clients zu unabhängigen Vertrauensdomänen gehören und keinen gemeinsamen Verschlüsselungsschlüssel teilen können. Bestehende Multi-Key Homomorphic Encryption (MKHE)-Ansätze führen einen Key-Switching-Aufwand ein, der aufgrund der paarweisen Chiffretext-Ausrichtung quadratisch ( $O(K^2)$ ) mit der Anzahl der Clients ( $K$ ) skaliert. Zudem adressierte die bisherige Forschung oft entweder die Ressourcenadaption (Single-Key) oder die Multi-Key-Aggregation separat, wodurch eine Lücke in Frameworks entstand, die Berechnung, Kommunikation und Energiekosten unter Beibehaltung der Skalierbarkeit und einer 128-Bit-Sicherheit in heterogenen IoT-Umgebungen gemeinsam optimieren.

2. Methodik

Das Paper schlägt ein adaptives ressourcenbewusstes MK-CKKS-Framework vor, das drei Kernmechanismen unter einem einheitlichen Optimierungsmodell integriert:

Reference-Domain Key-Switching-Protokoll: Um den $O(K^2)$ -Skalierbarkeitsengpass zu adressieren, führt das Framework ein Protokoll ein, bei dem alle Clients ihre Chiffretexte auf eine einzige Referenz-Evaluationsdomäne ( $pk_s$ ) abbilden, die vom Server gehalten wird. Anstatt einer paarweisen Ausrichtung führt jeder Client genau eine Key-Switching-Operation durch ( $c_k \leftarrow KS(c_k, TK_{k \to s})$ ). Dies reduziert die gesamte Key-Switching-Komplexität von $O(K^2)$ auf $O(K)$ .
Gemeinsames Multi-Objective-Optimierungsmodell: Das Framework formuliert ein Optimierungsproblem zur Auswahl der CKKS-Parameter (Polynomial-Modulus-Grad $N$ $N$ , Chiffretext-Modulus-Kette $Q$ $Q$ , Skalierungsfaktor $\Delta$ $Δ$ , Packungsdichte $\rho$ $ρ$ und Key-Switching-Frequenz $f_{ks}$ $f_{k s}$ ). Das Ziel ist die Minimierung einer gewichteten Summe aus Rechen-, Kommunikations- und Energiekosten unter expliziten Nebenbedingungen:
- Sicherheit: Muss ein 128-Bit-Sicherheitsniveau erfüllen (RLWE-Härte).
- Genauigkeit: Muss einen Mindestgenauigkeitsschwellenwert erfüllen.
- Ressourcen: Muss gerätespezifische Limits bezüglich CPU, Speicher und Bandbreite einhalten.
Adaptive Strategien:
- Parameteradaption: Geräte werden nach Ressourcentypen klassifiziert (Low/Medium/High), was die Auswahl kleinerer Polynomialgrade ( $N$ ) für beschränkte Geräte ermöglicht, ohne die Sicherheit zu gefährden.
- Chiffretext-Packing: Nutzung der SIMD-Fähigkeiten von CKKS, um mehrere Modellparameter in einen einzigen Chiffretext zu packen, was das Kommunikationsvolumen drastisch reduziert.
- Berechnungspartitionierung: Auslagerung schwerer Operationen (Batch-Verarbeitung, Multi-Key-Transformationen) an Edge- oder Server-Komponenten, während das lokale Training leichtgewichtig bleibt.

3. Kernbeiträge

Das Paper beansprucht vier primäre Beiträge, die durch reale Ausführung statt durch Simulation validiert wurden:

Linear-Komplexitäts-Key-Switching: Formalisierung und Validierung eines Reference-Domain-Protokolls, das die Multi-Key-Aggregationskomplexität von $O(K^2)$ auf $O(K)$ reduziert. Dieser Anspruch wird durch die Ausführung realer Re-Linearisierungs-Proxy-Operationen für bis zu $K=200$ Clients validiert, was Geschwindigkeitssteigerungen von 9,4× bis 100,6× gegenüber der Standard-Paarweise-Ausrichtung zeigt.
Gemeinsame ressourcenbewusste Optimierung: Ein neuartiges Optimierungsmodell (Gleichung 9), das gleichzeitig Rechen-, Kommunikations- und Energiekosten unter einer festen 128-Bit-Sicherheitsbedingung ausbalanciert und sich von bisheriger Arbeit unterscheidet, die nur einzelne Dimensionen optimierte oder in Single-Key-Settings operierte.
Strenge Komplexitäts- und Sicherheitsanalyse: Explizite Ansprüche bezüglich der asymptotischen Verbesserung beim Key-Switching sowie ein Design-Argument (Proposition 2), dass die adaptive Parameterisierung die Sicherheitsgarantien unter einer Honest-but-Curious-Server-Annahme wahrt, sofern die Parametersuche auf Mengen beschränkt bleibt, die das Sicherheitsminimum erfüllen.
Empirische Validierung durch reale Experimente: Im Gegensatz zu bisherigen simulationsbasierten Studien bietet diese Arbeit:
- Föderiertes Training auf realen MNIST- und CIFAR-10-Datensätzen mit Non-IID-Partitionierung.
- Direkte Ausführung kryptographischer Operationen (TenSEAL/OpenFHE) anstelle projektierter Formeln.
- Verifizierung der Multi-Party Threshold-CKKS-Korrektheit für bis zu 32 Parteien.
- Direkte Messungen der Reduktion von Kommunikation und Latenz.

4. Experimentelle Ergebnisse

Das Framework wurde auf realen Datensätzen (MNIST, CIFAR-10) mit $K=20$ Clients für die Genauigkeit und bis zu $K=200$ für die Skalierbarkeit unter Verwendung eines kompakten Single-Hidden-Layer MLP evaluiert.

Genauigkeit: Das vorgeschlagene Framework erreichte eine Genauigkeit von 94,98 % auf MNIST und 46,97 % auf CIFAR-10 (Mittelwert über 3 Seeds). Entscheidend ist, dass die Genauigkeit des verschlüsselten Frameworks numerisch identisch mit der Plaintext-FedAvg-Baseline und der Fixed-Parameter-CKKS-FL-Baseline ist, was bestätigt, dass die Verschlüsselungs- und Aggregationsschichten keine messbare Verschlechterung der Lernleistung verursachen.
Effizienzgewinne:
- Kommunikation: Erzielte eine Reduktion des Kommunikationsaufwands um 39–41 % im Vergleich zu konventionellem Fixed-Parameter-CKKS-FL.
- Latenz: Erzielte eine Reduktion der Aggregationslatenz um 66–68 % im Bereich von $K=20$ bis $200$.
- Packing-Effekt: Das Chiffretext-Packing demonstrierte eine 3.900×–4.060× Reduktion der übertragenen Bytes im Vergleich zur ungepackten Übertragung.
Skalierbarkeit: Die Ablationsstudie bestätigte, dass das Entfernen der Reference-Domain Key-Switching-Optimierung die Latenz um etwa 81 % erhöhte, was die strukturelle Auswirkung des $O(K)$ -Ansatzes validiert.

5. Bedeutung und Limitationen

Bedeutung:
Das Paper positioniert seinen Beitrag als Schließung der spezifischen Lücke zwischen Multi-Key-Aggregation und ressourcenbewusster Optimierung. Es demonstriert, dass es möglich ist, eine lineare Skalierbarkeit in der Multi-Key-FL-Aggregation und eine gemeinsame Ressourcenoptimierung zu erreichen, ohne die Sicherheit (128-Bit) oder die Genauigkeit zu opfern. Die Ergebnisse sind signifikant, da sie aus echten, ausgeführten Messungen kryptographischer Primitiven und vollständiger FL-Trainingsschleifen abgeleitet wurden.

Bescheidene Ansprüche und Limitationen:
Die Autoren benennen explizit folgende Limitationen und Umfangsbereiche:

Unabhängige-Key-Validierung: Während die $O(K)$ -Komplexitätsstruktur durch reale Ausführung validiert wurde, konnte die spezifische Korrektheit der pro-Client unabhängigen Schlüssels MK-CKKS-Konstruktion (z. B. Chen–Dai–Kim–Song) nicht empirisch verifiziert werden, da keine öffentliche Bibliothek, die exakt diese Konstruktion implementiert, verfügbar war. Stattdessen stützt sich das Framework auf ein Design-Level-Sicherheitsargument und ein re-verifiziertes Threshold-CKKS-Experiment (OpenFHE) zur Korrektheitsprüfung.
Hardware-Beschränkungen: Die Experimente wurden in einer Single-vCPU-Cloud-Umgebung durchgeführt, nicht auf physischer IoT-Hardware (z. B. Raspberry Pi). Folglich sind die Energiewerte modellierte Schätzungen basierend auf Zeit und konstanter Leistungsaufnahme, keine direkten Hardware-Messungen.
Modellgröße: Die Verwendung eines kompakten MLP (anstatt CNNs) war eine bewusste Entscheidung, um die Verschlüsselungs- und Key-Switching-Experimente innerhalb des Rechenbudgets handhabbar zu halten. Die Autoren räumen ein, dass die absolute Genauigkeit auf CIFAR-10 (46,97 %) niedriger ist als die Benchmarks der CNN-basierten Literatur.
Bedrohungsmodell: Das Framework adressiert die Vertraulichkeit gegenüber Honest-but-Curious-Servern und Eavesdroppern. Die Verteidigung gegen bösartige/Byzantine Clients und die physische Kompromittierung von Geräten liegt außerhalb des Rahmens.

Zusammenfassend bietet das Paper ein validiertes Framework, das die computationalen und kommunikativen Barrieren für privatsphäreerhaltendes FL in IoT senkt, indem es gezielt den Skalierbarkeitsengpass der Multi-Key-Aggregation adressiert, während es die verbleibenden Lücken in der Implementierung von Unabhängigen-Key-Bibliotheken und der physischen Hardware-Validierung transparent anerkennt.