💻 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

Este artículo presenta un marco de trabajo MK-CKKS adaptativo y consciente de los recursos para el aprendizaje federado con preservación de la privacidad en IoT que logra una agregación de clave múltiple de complejidad lineal y ganancias de rendimiento significativas mediante experimentos del mundo real en MNIST y CIFAR-10, mientras reconoce transparentemente que la construcción de clave independiente y la validación de hardware físico siguen siendo trabajos futuros.

Autores originales: Nasir Ahmad Jalali, Hongsong Chen

Publicado 2026-08-10

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nasir Ahmad Jalali, Hongsong Chen

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mundo donde tu reloj inteligente, el termostato de tu vecino y el sistema de navegación de tu coche quieren aprender juntos para hacer mejores predicciones, pero tienen terror de compartir sus secretos. Este es el corazón del Aprendizaje Federado (Federated Learning), una forma ingeniosa para que las computadoras colaboren en un proyecto de equipo sin tener que entregar jamás sus cuadernos privados. En lugar de enviar sus datos a un jefe central, solo envían las "lecciones aprendidas" (actualizaciones matemáticas) de ida y vuelta.

Pero hay un inconveniente: incluso estas lecciones pueden revelar accidentalmente detalles privados, como lo que escribiste o por dónde condujiste. Para evitar esto, los científicos utilizan un truco mágico llamado Cifrado Homomórfico. Piensa en ello como una caja de cristal con llave. Puedes poner un papel dentro, cerrarlo con llave y luego realizar operaciones matemáticas sobre la caja misma. La caja se vuelve más pesada o cambia de forma, pero el papel en su interior permanece oculto. Cuando finalmente la abres, el resultado es exactamente el que habrías obtenido si hubieras hecho las matemáticas directamente sobre el papel. Sin embargo, estas "cajas con llave" son pesadas, lentas de transportar, y si tienes a cien amigos intentando combinar sus cajas, el proceso de fusionarlas puede convertirse en una pesadilla logística que bloquee el sistema.

Este es el rompecabezas que abordan Nasir Ahmad Jalali y Hongsong Chen en su nueva investigación. Ellos se preguntaron: "¿Cómo podemos hacer que las matemáticas de compartir secretos sean rápidas y ligeras para dispositivos diminutos con batería limitada, como los sensores IoT, sin romper la cerradura?".

El Problema: La Mochila Pesada

En el pasado, intentar combinar las actualizaciones cifradas de muchos dispositivos diferentes era como intentar fusionar cien idiomas distintos en una sola conversación. Cada vez que dos dispositivos queraban compartir sus "cajas con llave", tenían que realizar un complejo paso de traducción llamado cambio de clave (key-switching). Si tenías 20 dispositivos, esta traducción tenía que ocurrir cientos de veces. Si tenías 200 dispositivos, el número de traducciones explotaba, creciendo tan rápido (cuadráticamente) que el sistema se detenía por completo. Era como intentar presentar a cada persona de un estadio con todas las demás individualmente antes de que pudieran cantar una canción juntos.

Además, las configuraciones de cifrado estándar fueron diseñadas para servidores masivos en la nube, no para dispositivos pequeños y con alto consumo de energía. Usar estas configuraciones pesadas en un sensor diminuto era como intentar alimentar una linterna con la batería de un coche: funcionaba, pero agotaba la batería instantáneamente y era demasiado voluminoso.

La Solución: Una Línea de Ensamblaje Inteligente

Los autores proponen un nuevo marco de trabajo que actúa como una línea de ensamblaje inteligente para estos mensajes cifrados. Su gran avance es una nueva forma de manejar el paso de "traducción". En lugar de hacer que cada dispositivo hable con todos los demás, introducen un Dominio de Referencia.

Imagina a un grupo de espías que todos deben enviar mensajes secretos a un centro de control. En el método antiguo, el Espía A tendría que traducir su mensaje para el Espía B, luego para el Espía C, y así sucesivamente. En el nuevo método, cada espía traduce su mensaje solo una vez a un "lenguaje de centro" común (el dominio de referencia). Una vez que todos hablan el mismo lenguaje, simplemente pueden volcar sus mensajes en un solo montón. Esto cambia la carga de trabajo de un caos cuadrático (donde duplicar los espías cuadriplica el trabajo) a una lista lineal simple (donde duplicar los espías solo duplica el trabajo).

También añadieron un cerebro "consciente de los recursos" al sistema. Antes de enviar un mensaje, el sistema revisa la batería y la velocidad del dispositivo. Si un dispositivo es débil, utiliza una configuración de cifrado más ligera y rápida. Si es fuerte, utiliza una más pesada y segura. Esto asegura que ningún dispositivo se vea abrumado.

Lo que Realmente Encontraron

Los investigadores no solo probaron estas ideas en una simulación por computadora; construyeron el sistema y lo probaron en la realidad. Entrenaron modelos en dos conjuntos de datos de imágenes famosos, MNIST (dígitos escritos a mano) y CIFAR-10 (fotos a color de animales y coches), utilizando una red de dispositivos simulados.

Esto es lo que mostraron sus pruebas en el mundo real:

Velocidad: Cuando aumentaron el número de dispositivos de 20 a 200, su nuevo método fue entre 9.4 y 100.6 veces más rápido al combinar los mensajes que el método antiguo y torpe.
Eficiencia: Lograron reducir la cantidad de datos enviados a través de la red en aproximadamente un 39% a 41% y redujeron el tiempo para completar una ronda de entrenamiento en un 66% a 68%.
Precisión: ¿La parte más importante? El sistema aprendió tan bien como la versión no cifrada. En la prueba de dígitos escritos a mano, alcanzó una precisión del 94.98%, y en la prueba de fotos a color, llegó al 46.97%. La "caja mágica" no rompió las matemáticas; solo las ocultó mejor.
Potencia de Empaquetado: Al meter múltiples piezas de datos en una sola "caja" cifrada (una técnica llamada empaquetado o packing), redujeron el tamaño de los mensajes en una cifra asombrosa de 3,900 a 4,060 veces en comparación con el envío uno por uno.

La Verdad Honesta

Aunque los resultados son impresionantes, los autores son muy cuidadosos de ser honestos sobre lo que aún no han hecho. Admiten que no han probado esto en dispositivos físicos reales como una Raspberry Pi o un reloj inteligente real; sus pruebas se realizaron en un servidor de computadora estándar. También señalan que, aunque demostraron que la matemática de su nuevo método de "traducción" funciona perfectamente para hasta 200 dispositivos, aún no han construido una biblioteca pública que utilice la configuración exacta de "clave independiente" para cada dispositivo en el mundo real. Ese es el siguiente paso.

Por Qué Importa

Este artículo demuestra que no tenemos que elegir entre privacidad y rendimiento. Al repensar cómo sus dispositivos cifrados se comunican entre sí, podemos construir un futuro donde sus dispositivos inteligentes puedan aprender juntos para mejorar nuestras vidas, sin necesidad de confiar jamás sus datos privados a un jefe central. Convierte un proceso pesado, lento y costoso en algo ligero, rápido y escalable, allanando el camino para una inteligencia artificial verdaderamente privada en nuestros dispositivos cotidianos.

Resumen Técnico: Un Marco MK-CKKS Adaptativo y Consciente de los Recursos para el Aprendizaje Federado Preservador de la Privacidad en Entornos IoT con Restricciones de Recursos

1. Planteamiento del Problema

La proliferación de dispositivos IoT ha permitido el aprendizaje automático distribuido mediante el Aprendizaje Federado (FL), sin embargo, los dispositivos con restricciones de recursos enfrentan desafíos significativos al desplegar protocolos que preserven la privacidad. Aunque el Cifrado Homomórfico (HE), específicamente el esquema CKKS, permite realizar cálculos sobre datos cifrados, las configuraciones estándar están ajustadas para cargas de trabajo a escala de nube, lo que resulta en tamaños de texto cifrado y sobrecarga computacional prohibitivos para los dispositivos IoT.

El problema se ve exacerbado en entornos multi-clave donde los clientes pertenecen a dominios de confianza independientes y no pueden compartir una única clave de cifrado. Los enfoques de Cifrado Homomórfico Multi-Clave (MKHE) existentes introducen un costo de cambio de clave que escala cuadráticamente ( $O(K^2)$ ) con el número de clientes ( $K$ ) debido a la alineación de pares de textos cifrados. Además, la investigación previa suele abordar la adaptación de recursos (clave única) o la agregación multi-clave por separado, dejando un vacío en marcos que optimicen conjuntamente los costos de computación, comunicación y energía mientras mantienen la escalabilidad y una seguridad de 128 bits en entornos IoT heterogéneos.

2. Metodología

El artículo propone un Marco MK-CKKS Adaptativo y Consciente de los Recursos que integra tres mecanismos centrales bajo un modelo de optimización unificado:

Protocolo de Cambio de Clave de Dominio de Referencia: Para abordar el cuello de botella de escalabilidad $O(K^2)$ , el marco introduce un protocolo donde todos los clientes mapean sus textos cifrados a un único dominio de evaluación de referencia ( $pk_s$ ) mantenido por el servidor. En lugar de una alineación por pares, cada cliente realiza exactamente una operación de cambio de clave ( $c_k \leftarrow KS(c_k, TK_{k \to s})$ ). Esto reduce la complejidad total del cambio de clave de $O(K^2)$ a $O(K)$ .
Modelo de Optimización Multi-Objetivo Conjunto: El marco formula un problema de optimización para seleccionar los parámetros de CKKS (grado de módulo polinómico $N$ $N$ , cadena de módulo de texto cifrado $Q$ $Q$ , factor de escala $\Delta$ $Δ$ , densidad de empaquetado $\rho$ $ρ$ y frecuencia de cambio de clave $f_{ks}$ $f_{k s}$ ). El objetivo minimiza una suma ponderada de los costos computacionales, de comunicación y de energía, sujeto a restricciones explícitas:
- Seguridad: Debe cumplir con un nivel de seguridad de 128 bits (dureza RLWE).
- Precisión: Debe satisfacer un umbral mínimo de precisión.
- Recursos: Debe adherirse a los límites específicos del dispositivo en términos de CPU, memoria y ancho de banda.
Estrategias Adaptativas:
- Adaptación de Parámetros: Los dispositivos se clasifican por niveles de recursos (bajo/medio/alto), lo que permite la selección de grados polinómicos ( $N$ ) más pequeños para dispositivos restringidos sin comprometer la seguridad.
- Empaquetado de Texto Cifrado: Utilizando las capacidades SIMD de CKKS para empaquetar múltiples parámetros del modelo en un solo texto cifrado, reduciendo drásticamente el volumen de comunicación.
- Partición de la Computación: Delegar operaciones pesadas (procesamiento por lotes, transformaciones multi-clave) a componentes de borde/servidor mientras se mantiene el entrenamiento local ligero.

3. Contribuciones Clave

El artículo reclama cuatro contribuciones primarias, validadas mediante ejecución real en lugar de simulación:

Cambio de Clave de Complejidad Lineal: Formalización y validación de un protocolo de dominio de referencia que reduce la complejidad de la agregación multi-clave de $O(K^2)$ a $O(K)$ . Esta afirmación es validada mediante la ejecución de operaciones de proxy de re-linealización real para hasta $K=200$ clientes, demostrando aceleraciones de 9.4× a 100.6× respecto a la alineación estándar por pares.
Optimización Conjunta Consciente de los Recursos: Un modelo de optimización novedoso (Ecuación 9) que equilibra simultáneamente los costos de computación, comunicación y energía bajo una restricción fija de seguridad de 128 bits, diferenciándose del trabajo previo que optimizaba dimensiones únicas o trabajaba en entornos de clave única.
Análisis Riguroso de Complejidad y Seguridad: Afirmaciones explícitas sobre la mejora asintótica en el cambio de clave y un argumento a nivel de diseño (Proposición 2) de que la parametrización adaptativa preserva las garantías de seguridad bajo un supuesto de servidor honesto pero curioso, siempre que la búsqueda de parámetros se restrinja a conjuntos que cumplan con el piso de seguridad.
Validación Empírica mediante Experimentos Reales: A diferencia de los estudios previos basados en simulaciones, este trabajo proporciona:
- Entrenamiento federado en conjuntos de datos reales MNIST y CIFAR-10 con partición no-IID.
- Ejecución directa de operaciones criptográficas (TenSEAL/OpenFHE) en lugar de fórmulas proyectadas.
- Verificación de la corrección de threshold-CKKS multi-parte para hasta 32 partes.
- Mediciones reales de reducción de comunicación y latencia.

4. Resultados Experimentales

El marco fue evaluado en conjuntos de datos reales (MNIST, CIFAR-10) con $K=20$ clientes para precisión y hasta $K=200$ para escalabilidad, utilizando un MLP compacto de una sola capa oculta.

Precisión: El marco propuesto logró una precisión del 94.98% en MNIST y del 46.97% en CIFAR-10 (media sobre 3 semillas). Crucialmente, la precisión del marco cifrado fue numéricamente idéntica a la línea base de texto plano de FedAvg y a la línea base de CKKS-FL de parámetros fijos, confirmando que las capas de cifrado y agregación no introducen degradación medible en el rendimiento del aprendizaje.
Ganancias de Eficiencia:
- Comunicación: Logró una reducción del 39–41% en la sobrecarga de comunicación en comparación con el CKKS-FL convencional de parámetros fijos.
- Latencia: Logró una reducción del 66–68% en la latencia de agregación en el rango de $K=20$ a $200$.
- Impacto del Empaquetado: El empaquetado de texto cifrado demostró una reducción de 3,900×–4,060× en los bytes transmitidos en comparación con la transmisión sin empaquetar.
Escalabilidad: El estudio de ablación confirmó que eliminar la optimización de cambio de clave de dominio de referencia aumentaba la latencia aproximadamente un 81%, validando el impacto estructural del enfoque $O(K)$ .

5. Significación y Limitaciones

Significación:
El artículo posiciona su contribución como el cierre de la brecha específica entre la agregación multi-clave y la optimización consciente de los recursos. Demuestra que es posible lograr una escalabilidad lineal en la agregación de FL multi-clave y la optimización conjunta de recursos sin sacrificar la seguridad (128 bits) o la precisión. Los resultados son significativos porque se derivan de mediciones reales ejecutadas de primitivas criptográficas y ciclos completos de entrenamiento de FL, en lugar de proyecciones teóricas.

Afirmaciones Modestas y Limitaciones:
Los autores declaran explícitamente las siguientes limitaciones y límites de alcance:

Validación de Clave Independiente: Aunque la estructura de complejidad $O(K)$ se valida mediante ejecución real, la corrección específica de la construcción MK-CKKS de clave independiente por cliente (ej. Chen–Dai–Kim–Song) no pudo ser verificada empíricamente debido a que no había una biblioteca pública que implementara esta construcción exacta. En su lugar, el marco se apoya en un argumento de seguridad a nivel de diseño y en un experimento de threshold-CKKS verificado (OpenFHE) para la corrección.
Restricciones de Hardware: Los experimentos se realizaron en un entorno de nube de un solo vCPU, no en hardware IoT físico (ej. Raspberry Pi). Por consiguiente, las cifras de energía son estimaciones modeladas basadas en tiempo y consumo de potencia constante, no mediciones directas de hardware.
Escala del Modelo: El uso de un MLP compacto (en lugar de CNNs) fue una elección deliberada para mantener los experimentos de cifrado y cambio de clave tratables dentro del presupuesto computacional. Los autores reconocen que la precisión absoluta en CIFAR-10 (46.97%) es inferior a los referentes de la literatura basados en CNN.
Modelo de Amenaza: El marco aborda la confidencialidad contra servidores honestos pero curiosos y atacantes que escuchan (eavesdroppers). La defensa contra clientes maliciosos/bizantinos y el compromiso físico del dispositivo está fuera del alcance.

En conclusión, el artículo proporciona un marco validado que reduce las barreras computacionales y de comunicación para el FL preservador de la privacidad en IoT, apuntando específicamente al cuello de botella de la escalabilidad de la agregación multi-clave, mientras reconoce transparentemente las brechas restantes en la implementación de bibliotecas de clave independiente y la validación de hardware físico.