💻 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

Dit artikel presenteert een adaptief, middelenbewust MK-CKKS-framework voor privacy-behoudend federated learning in IoT dat een aggregatie met lineaire complexiteit en significante prestatiewinsten bereikt door middel van experimenten in de echte wereld op MNIST en CIFAR-10, terwijl het transparant erkent dat constructie met onafhankelijke sleutels en fysieke hardwarevalidatie toekomstig werk blijven.

Oorspronkelijke auteurs: Nasir Ahmad Jalali, Hongsong Chen

Gepubliceerd 2026-08-10

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nasir Ahmad Jalali, Hongsong Chen

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin je smartwatch, de thermostaat van je buurman en het navigatiesysteem van je auto allemaal samen willen leren om betere voorspellingen te doen, maar ze zijn doodsbang om hun geheimen te delen. Dit is de kern van Federated Learning, een slimme manier voor computers om samen te werken aan een gezamenlijk project zonder ooit hun privé-notitieblokken af te geven. In plaats van hun gegevens naar een centrale baas te sturen, sturen ze alleen de "lessen die geleerd zijn" (mathematische updates) heen en weer.

Maar er is een addertje onder het gras: zelfs deze lessen kunnen per ongeluk privédetails onthullen, zoals wat je hebt getypt of waar je bent gereden. Om dit te stoppen, gebruiken wetenschappers een magische truc genaamd Homomorfe Encryptie. Denk eraan als een vergrendelde glazen doos. Je kunt een stuk papier in de doos leggen, deze vergrendelen, en dan wiskunde uitvoeren op de doos zelf. De doos wordt zwaarder of verandert van vorm, maar het papier binnenin blijft verborgen. Wanneer je de doos uiteindelijk ontgrendelt, is het resultaat precies hetzelfde als wanneer je de wiskunde direct op het papier had uitgevoerd. Echter, deze "vergrendelde dozen" zijn zwaar, traag om te dragen, en als je honderd vrienden hebt die hun dozen willen combineren, kan het proces van het samenvoegen een logistieke nachtmerrie worden die het systeem doet crashen.

Dit is de puzzel waar Nasir Ahmad Jalali en Hongsong Chen in hun nieuwe onderzoek aan werken. Zij vroegen zich af: "Hoe kunnen we deze geheimhoudende wiskunde snel en licht genoeg maken voor kleine, batterijgestuurde apparaten zoals IoT-sensoren, zonder het slot te breken?"

Het Probleen: De Zware Rugzak

In het verleden was het combineren van versleutelde updates van veel verschillende apparaten als het proberen te versmelten van honderd verschillende talen tot één gesprek. Elke keer dat twee apparaten hun "vergrendelde dozen" wilden delen, moesten ze een complexe vertaalstap uitvoeren die key-switching wordt genoemd. Als je 20 apparaten had, moest deze vertaling honderden keren gebeuren. Als je 200 apparaten had, explodeerde het aantal vertalingen (kwadratisch), waardoor het systeem tot stilstand kwam. Het was alsof je elke persoon in een stadion individueel aan elke andere persoon wilde voorstellen voordat ze samen een lied konden zingen.

Bovendien waren standaard encryptie-instellingen ontworpen voor enorme cloudservers, niet voor kleine, energieverslindende apparaten. Het gebruik van deze zware instellingen op een kleine sensor was als het voeden van een zaklamp met een autoaccu—het werkte wel, maar het vrat de batterij direct leeg en was veel te lomp.

De Oplossing: Een Slimme Assemblagelijn

De auteurs stellen een nieuw framework voor dat werkt als een slimme assemblagelijn voor deze versleutelde berichten. Hun grote doorbraak is een nieuwe manier om de "vertalingsstap" aan te pakken. In plaats van elk apparaat met elk ander apparaat te laten praten, introduceren ze een Reference Domain.

Stel je een groep spionnen voor die allemaal geheime berichten naar een centraal knooppunt moeten sturen. In de oude methode zou Spion A hun bericht moeten vertalen voor Spion B, dan voor Spion C, enzovoort. In de nieuwe methode vertaalt elke spion zijn bericht slechts één keer naar een gemeenschappelijke "hub-taal" (het reference domain). Zodra iedereen dezelfde taal spreekt, kunnen ze hun berichten simpelweg op één hoop gooien. Dit verandert de werklast van een chaotische, kwadratische bende (waarbij het verdubbelen van de spionnen de viermaal zoveel werk oplevert) naar een eenvoudige, lineaire lijst (waarbij het verdubbelen van de spionnen simpelweg het werk verdubbelt).

Ze voegden ook een "resource-aware" brein toe aan het systeem. Voordat een bericht wordt verzonden, controleert het systeem de batterij en de snelheid van het apparaat. Als een apparaat zwak is, gebruikt het een lichtere, snellere encryptie-instelling. Als het sterk is, gebruikt het een zwaardere, veiligere instelling. Dit zorgt ervoor dat geen enkel apparaat wordt overbelast.

Wat Ze Eigenlijk Hebben Gevonden

De onderzoekers hebben deze ideeën niet alleen op een computersimulatie getest; ze hebben het systeem gebouwd en getest voor de echte wereld. Ze trainden modellen op twee beroemde afbeeldingendatasets, MNIST (handgeschreven cijfers) en CIFAR-10 (kleurfoto's van dieren en auto's), met behulp van een netwerk van gesimuleerde apparaten.

Dit toonden hun realtime tests aan:

Snelheid: Toen ze het aantal apparaten verhoogden van 20 naar 200, was hun nieuwe methode 9,4 tot 100,6 keer sneller bij het combineren van de berichten dan de oude, onhandige manier.
Efficiëntie: Ze slaagden erin om de hoeveelheid data die over het netwerk werd verzonden met ongeveer 39% tot 41% te verminderen en de tijd die nodig was om een trainingsronde te voltooien met 66% tot 68% te verkorten.
Nauwkeurigheid: Het belangrijkste deel? Het systeem leerde net zo goed als de ongeëncrypteerde versie. Op de test met handgeschreven cijfers behaalden ze een nauwkeurigheid van 94,98%, en op de test met kleurfoto's bereikten ze 46,97%. De "magische doos" brak de wiskunde niet; hij verborg het alleen beter.
Verpakkingskracht: Door meerdere stukken data in één enkele versleutelde "doos" te stoppen (een techniek genaamd packing), verminderden ze de grootte van de berichten met een verbazingwekkende factor van 3.900 tot 4.060 vergeleken met het één voor één verzenden.

De Eerlijke Waarheid

Hoewel de resultaten indrukwekkend zijn, zijn de auteurs zeer voorzichtig om eerlijk te zijn over wat ze nog niet hebben gedaan. Ze geven toe dat ze dit niet hebben getest op daadwerkelijke fysieke apparaten zoals een Raspberry Pi of een echte smartwatch; hun tests werden uitgevoerd op een standaard computerserver. Ze merken ook op dat hoewel ze bewezen hebben dat de wiskunde van hun nieuwe "vertalingsmethode" perfect werkt voor tot 200 apparaten, ze nog geen publieke bibliotheek hebben gebouwd die de exacte "onafhankelijke sleutel"-opstelling voor elk afzonderlijk apparaat in de echte wereld gebruikt. Dat is de volgende stap.

Waarom Het Er Toe Doet

Dit paper laat zien dat we niet hoeven te kiezen tussen privacy en prestaties. Door te heroverwegen hoe versleutelde apparaten met elkaar communiceren, kunnen we een toekomst bouwen waarin onze slimme apparaten samen kunnen leren om ons leven beter te maken, zonder ooit een centrale baas met onze privédata te hoeven vertrouwen. Het verandert een zwaar, traag en duur proces in iets dat licht, snel en schaalbaar is, wat de weg vrijmaakt voor echt private kunstmatige intelligentie in onze alledaagse gadgets.

Technische Samenvatting: Een Adaptief Resource-Aware MK-CKKS Framework voor Privacy-Preserving Federated Learning in Resource-Beperkte IoT-omgevingen

1. Probleemstelling

De proliferatie van IoT-apparaten heeft gedistribueerd machine learning via Federated Learning (FL) mogelijk gemaakt, maar resource-beperkte apparaten worden geconfronteerd met aanzienlijke uitdagingen bij het implementeren van privacy-preserverende protocollen. Hoewel Homomorfe Encryptie (HE), specifiek het CKKS-schema, berekeningen op versleutelde data mogelijk maakt, zijn standaardconfiguraties afgestemd op workloads op cloud-schaal, wat resulteert in prohibitieve ciphertext-groottes en computationele overhead voor IoT-apparaten.

Het probleem wordt verergerd in multi-key settings waarbij clients behoren tot onafhankelijke vertrouwensdomeinen en niet één enkele encryptiesleutel kunnen delen. Bestaande Multi-Key Homomorphic Encryption (MKHE) benaderingen introduceren een key-switching kosten die kwadratisch ( $O(K^2)$ ) schalen met het aantal clients ( $K$ ) vanwege pairwise ciphertext-uitlijning. Voorts adresseert eerder onderzoek vaak resource-adaptatie (single-key) of multi-key aggregatie apart, waardoor er een gat ontstaat in frameworks die computationele, communicatie- en energiekosten gezamenlijk optimaliseren terwijl ze schaalbaarheid en 128-bit beveiliging handhaven in heterogene IoT-omgevingen.

2. Methodologie

Het paper stelt een Adaptief Resource-Aware MK-CKKS Framework voor dat drie kernmechanismen integreert onder een verenigd optimalisatiemodel:

Reference-Domain Key-Switching Protocol: Om de $O(K^2)$ schaalbaarheidsbottleneck aan te pakken, introduceert het framework een protocol waarbij alle clients hun ciphertexts mappen naar een enkelvoudig reference evaluation domain ( $pk_s$ ) dat door de server wordt vastgehouden. In plaats van pairwise uitlijning, voert elke client exact één key-switching operatie uit ( $c_k \leftarrow KS(c_k, TK_{k \to s})$ ). Dit reduceert de totale key-switching complexiteit van $O(K^2)$ naar $O(K)$ .
Joint Multi-Objective Optimization Model: Het framework formuleert een optimalisatieprobleem om CKKS-parameters te selecteren (polynomial modulus degree $N$ $N$ , ciphertext modulus chain $Q$ $Q$ , scaling factor $\Delta$ $Δ$ , packing density $\rho$ $ρ$ , en key-switching frequentie $f_{ks}$ $f_{k s}$ ). Het doel is het minimaliseren van een gewogen som van computationele, communicatie- en energiekosten, onder expliciete restricties:
- Beveiliging: Moet een 128-bit beveiligingsniveau voldoen (RLWE hardness).
- Nauwkeurigheid: Moet een minimale nauwkeurigheidsdrempel voldoen.
- Resources: Moet voldoen aan apparaatspecifieke limieten voor CPU, geheugen en bandbreedte.
Adaptieve Strategieën:
- Parameter Adaptatie: Apparaten worden geclassificeerd in resource-tiers (laag/medium/hoog), wat de selectie van kleinere polynomial degrees ( $N$ ) voor beperkte apparaten mogelijk maakt zonder de beveiliging in gevaar te brengen.
- Ciphertext Packing: Het gebruik van de SIMD-mogelijkheden van CKKS om meerdere modelparameters in een enkele ciphertext te verpakken, wat het communicatievolume drastisch vermindert.
- Computation Partitioning: Het offloaden van zware operaties (batchverwerking, multi-key transformaties) naar edge/server componenten terwijl de lokale training lichtgewicht blijft.

3. Belangrijkste Bijdragen

Het paper claimt vier primaire bijdragen, gevalideerd door real-world executie in plaats van simulatie:

Lineaire Complexiteit Key-Switching: Formalisering en validatie van een reference-domain protocol dat de multi-key aggregatie complexiteit reduceert van $O(K^2)$ naar $O(K)$ . Deze claim wordt gevalideerd door de uitvoering van real re-linearization-proxy operaties voor tot $K=200$ clients, wat versnellingen van 9,4× tot 100,6× laat zien ten opzichte van standaard pairwise uitlijning.
Joint Resource-Aware Optimization: Een nieuw optimalisatiemodel (Vergelijking 9) dat gelijktijdig computationele, communicatie- en energiekosten balanceert onder een vaste 128-bit beveiligingsrestrictie, wat verschilt van eerder werk dat één dimensie optimaliseerde of opereerde in single-key settings.
Rigoureuze Complexiteit en Beveiligingsanalyse: Expliciete claims met betrekking tot de asymptotische verbetering in key-switching en een design-level argument (Propositie 2) dat adaptieve parametrisering de beveiligingsgaranties handhaaft onder een honest-but-curious server aanname, mits de parameterzoektocht beperkt is tot sets die aan de beveiligingsvloer voldoen.
Empirische Validatie via Real Experiments: In tegen tegenover eerder simulatie-gebaseerde studies, biedt dit werk:
- Federated training op echte MNIST en CIFAR-10 datasets met non-IID partitioning.
- Directe executie van cryptografische operaties (TenSEAL/OpenFHE) in plaats van geprojecteerde formules.
- Verificatie van multi-party threshold-CKKS correctheid voor tot 32 partijen.
- Real-world metingen van communicatiereductie en latentie.

4. Experimentele Resultaten

Het framework werd geëvalueerd op echte datasets (MNIST, CIFAR-10) met $K=20$ clients voor nauwkeurigheid en tot $K=200$ voor schaalbaarheid, gebruikmakend van een compacte single-hidden-layer MLP.

Nauwkeurigheid: Het voorgestelde framework bereikte een nauwkeurigheid van 94,98% op MNIST en 46,97% op CIFAR-10 (gemiddelde over 3 seeds). Cruciaal is dat de nauwkeurigheid van het versleutelde framework numeriek identiek was aan de plaintext FedAvg baseline en de fixed-parameter CKKS-FL baseline, wat bevestigt dat de encryptie- en aggregatielagen geen meetbare degradatie in leerprestaties introduceren.
Efficiëntiewinst:
- Communicatie: Bereikte een 39–41% reductie in communicatie-overhead vergeleken met conventionele fixed-parameter CKKS-FL.
- Latentie: Bereikte een 66–68% reductie in aggregatielatentie over het bereik van $K=20$ tot $200$.
- Packing Impact: Ciphertext packing demonstreerde een 3.900×–4.060× reductie in verzonden bytes vergeleken met unpacked transmissie.
Schaalbaarheid: De ablation study bevestigde dat het verwijderen van de reference-domain key-switching optimalisatie de latentie met ongeveer 81% verhoogde, wat de structurele impact van de $O(K)$ aanpak valideert.

5. Betekenis en Beperkingen

Betekenis:
Het paper positioneert zijn bijdrage als het dichten van de specifieke kloof tussen multi-key aggregatie en resource-aware optimalisatie. Het demonstreert dat het mogelijk is om lineaire schaalbaarheid in multi-key FL aggregatie en gezamenlijke resource optimalisatie te bereiken zonder de beveiliging (128-bit) of nauwkeurigheid op te offeren. De resultaten zijn significant omdat ze afgeleid zijn van werkelijke, uitgevoerde metingen van cryptografische primitieven en volledige FL training loops, in plaats van theoretische projecties.

Bescheiden Claims en Beperkingen:
De auteurs stellen expliciet de volgende beperkingen en scopegrenzen vast:

Onafhankelijke Sleutel Validatie: Hoewel de $O(K)$ complexiteitsstructuur gevalideerd is via real-world executie, kon de specifieke correctheid van de per-client independent-key MK-CKKS constructie (bijv. Chen–Dai–Kim–Song) niet empirisch worden geverifieerd omdat er geen publieke library beschikbaar was die exact deze constructie implementeert. In plaats daarvan vertrouwt het framework op een design-level beveiligingsargument en een herverifieerde threshold-CKKS experiment (OpenFHE) voor correctheid.
Hardware Beperkingen: Experimenten werden uitgevoerd op een single-vCPU cloud omgeving, niet op fysieke IoT-hardware (bijv. Raspberry Pi). Daarom zijn energiecijfers gemodelleerde schattingen gebaseerd op tijd en constant vermogensverbruik, en geen directe hardwaremetingen.
Model Schaal: Het gebruik van een compacte MLP (in plaats van CNN's) was een bewuste keuze om de encryptie- en key-switching experimenten beheersbaar te houden binnen het compute budget. De auteurs erkennen dat de absolute nauwkeurigheid op CIFAR-10 (46,97%) lager is dan CNN-gebaseerde literatuur benchmarks.
Threat Model: Het framework richt zich op vertrouwelijkheid tegen honest-but-curious servers en eavesdroppers. Defensie tegen kwaadwillende/Byzantine clients en fysieke device compromis valt buiten de scope.

Concluderend biedt het paper een gevalideerd framework dat de computationele en communicatieve barrières voor privacy-preserverende FL in IoT verlaagt, waarbij specif