💻 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 artigo apresenta um framework MK-CKKS adaptável e consciente de recursos para aprendizado federado com preservação de privacidade em IoT que alcança agregação de múltiplas chaves de complexidade linear e ganhos de desempenho significativos através de experimentos em cenários reais no MNIST e CIFAR-10, enquanto reconhece transparentemente que a construção de chave independente e a validação de hardware físico permanecem como trabalhos futuros.

Autores originais: Nasir Ahmad Jalali, Hongsong Chen

Publicado 2026-08-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nasir Ahmad Jalali, Hongsong Chen

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde o seu smartwatch, o termostato do seu vizinho e o sistema de navegação do seu carro querem aprender juntos para fazer previsões melhores, mas estão apavorados em compartilhar seus segredos. Este é o coração do Aprendizado Federado (Federated Learning), uma maneira inteligente de computadores colaborarem em um projeto de equipe sem nunca entregar seus cadernos particulares. Em vez de enviarem seus dados para um chefe central, eles enviam apenas as "lições aprendidas" (atualizações matemáticas) de um lado para o outro.

Mas há um problema: mesmo essas lições podem acidentalmente revelar detalhes privados, como o que você digitou ou por onde dirigiu. Para impedir isso, cientistas usam um truque mágico chamado Criptografia Homomórfica. Pense nisso como uma caixa de vidro trancada. Você pode colocar um pedaço de papel dentro, trancar a caixa e, então, realizar cálculos na própria caixa. A caixa fica mais pesada ou muda de forma, mas o papel dentro permanece oculto. Quando você finalmente destranca a caixa, o resultado é exatamente o que você teria obtido se tivesse feito a conta diretamente no papel. No entanto, essas "caixas trancadas" são pesadas, lentas de carregar e, se você tiver cem amigos tentando combinar suas caixas, o processo de fundi-las pode se tornar um pesadelo logístico que derruba o sistema.

Este é o quebra-cabeça enfrentado por Nasir Ahmad Jalali e Hongsong Chen em sua nova pesquisa. Eles perguntaram: "Como podemos tornar essa matemática de compartilhamento de segredos rápida e leve o suficiente para dispositivos minúsculos e alimentados por bateria, como sensores de IoT, sem quebrar a fechadura?"

O Problema: A Mochila Pesada

No passado, tentar combinar atualizações criptografadas de muitos dispositivos diferentes era como tentar fundir cem idiomas diferentes em uma única conversa. Cada vez que dois dispositivos queriam compartilhar suas "caixas trancadas", eles tinham que realizar uma etapa de tradução complexa chamada troca de chave (key-switching). Se você tivesse 20 dispositivos, essa tradução teria que acontecer centenas de vezes. Se você tivesse 200 dispositivos, o número de traduções explodia, crescendo tão rápido (quadraticamente) que o sistema parava de funcionar. Era como tentar apresentar cada pessoa de um estádio a todas as outras individualmente antes que pudessem cantar uma música juntas.

Além disso, as configurações de criptografia padrão foram projetadas para servidores massivos na nuvem, não para dispositivos pequenos e famintos por energia. Usar essas configurações pesadas em um sensor minúsculo era como tentar alimentar uma lanterna com uma bateria de carro — funcionava, mas drenava a bateria instantaneamente e era grande demais.

A Solução: Uma Linha de Montagem Inteligente

Os autores propõem um novo framework que atua como uma linha de montagem inteligente para essas mensagens criptografadas. Sua grande inovação é uma nova maneira de lidar com a etapa de "tradução". Em vez de fazer cada dispositivo falar com todos os outros, eles introduzem um Domínio de Referência.

Imagine um grupo de espiões que precisam enviar mensagens secretas para um centro de controle. No método antigo, o Espião A teria que traduzir sua mensagem para o Espião B, depois para o Espião C, e assim por diante. No novo método, cada espião traduz sua mensagem apenas uma vez para uma "linguagem de hub" comum (o domínio de referência). Uma vez que todos estejam falando a mesma língua, eles podem simplesmente jogar suas mensagens em um único monte. Isso muda a carga de trabalho de uma bagunça quadrática caótica (onde dobrar os espiões quadruplica o trabalho) para uma lista linear simples (onde dobrar os espiões apenas dobra o trabalho).

Eles também adicionaram um cérebro "consciente de recursos" ao sistema. Antes de enviar uma mensagem, o sistema verifica a bateria e a velocidade do dispositivo. Se um dispositivo estiver fraco, ele usa uma configuração de criptografia mais leve e rápida. Se for forte, usa uma configuração mais pesosa e segura. Isso garante que nenhum dispositivo fique sobrecarregado.

O Que Eles Realmente Descobriram

Os pesquisadores não apenas rodaram essas ideias em uma simulação de computador; eles construíram o sistema e o testaram na prática. Eles treinaram modelos em dois conjuntos de imagens famosos, MNIST (dígitos escritos à mão) e CIFAR-10 (fotos coloridas de animais e carros), usando uma rede de dispositivos simulados.

Aqui está o que seus testes do mundo real mostraram:

Velocidade: Quando aumentaram o número de dispositivos de 20 para 200, o novo método foi de 9,4 a 100,6 vezes mais rápido para combinar as mensagens do que o modo antigo e desajeitado.
Eficiência: Eles conseguiram reduzir a quantidade de dados enviados pela rede em cerca de 39% a 41% e reduziram o tempo para concluir uma rodada de treinamento em 66% a 68%.
Precisão: A parte mais importante? O sistema aprendeu tão bem quanto a versão não criptografada. No teste de dígitos escritos à mão, alcançou 94,98% de precisão, e no teste de fotos coloridas, atingiu 46,97%. A "caixa mágica" não quebrou a matemática; ela apenas a escondeu melhor.
Poder de Empacotamento: Ao colocar vários pedaços de dados dentro de uma única "caixa" criptografada (uma técnica chamada de empacotamento ou packing), eles reduziram o tamanho das mensagens em impressionantes 3.900 a 4.060 vezes em comparação ao envio um por um.

A Verdade Honesta

Embora os resultados sejam impressionantes, os autores são muito cuidadosos em serem honestos sobre o que ainda não fizeram. Eles admitem que não testaram isso em dispositivos físicos reais, como um Raspberry Pi ou um smartwatch real; seus testes foram realizados em um servidor de computador padrão. Eles também observam que, embora tenham provado que a matemática de seu novo método de "tradução" funciona perfeitamente para até 200 dispositivos, ainda não construíram uma biblioteca pública que utilize a configuração exata de "chave independente" para cada dispositivo no mundo real. Esse é o próximo passo.

Por Que Isso Importa

Este artigo mostra que não precisamos escolher entre privacidade e desempenho. Ao repensar como os dispositivos criptografados conversam entre si, podemos construir um futuro onde nossos dispositivos inteligentes podem aprender juntos para melhorar nossas vidas, sem nunca precisar confiar em um chefe central com nossos dados privados. Ele transforma um processo pesado, lento e caro em algo leve, rápido e escalável, pavimentando o caminho para uma inteligência artificial verdadeiramente privada em nossos aparelhos cotidianos.

Resumo Técnico: Um Framework MK-CKKS Adaptativo e Consciente de Recursos para Aprendizado Federado Preservação de Privacidade em Ambientes IoT com Restrições de Recursos

1. Declaração do Problema

A proliferação de dispositivos IoT permitiu o aprendizado de máquina distribuído via Aprendizado Federado (FL), mas dispositivos com restrições de recursos enfrentam desafios significativos na implementação de protocolos de preservação de privacidade. Embora a Criptografia Homomórfica (HE), especificamente o esquema CKKS, permita o processamento sobre dados criptografados, as configurações padrão são ajustadas para cargas de trabalho em escala de nuvem, resultando em tamanhos de texto cifrado e overhead computacional proibitivos para dispositivos IoT.

O problema é exacerbado em configurações multi-chave, onde os clientes pertencem a domínios de confiança independentes e não podem compartilhar uma única chave de criptografia. As abordagens existentes de Criptografia Homomórfica Multi-Chave (MKHE) introduzem um custo de troca de chaves que escala quadraticamente ( $O(K^2)$ ) com o número de clientes ( $K$ ) devido ao alinhamento de pares de textos cifrados. Além disso, pesquisas anteriores frequentemente abordam a adaptação de recursos (chave única) ou a agregação multi-chave separadamente, deixando uma lacuna em frameworks que otimizam conjuntamente os custos de computação, comunicação e energia, mantendo a escalabilidade e a segurança de 128 bits em ambientes IoT heterogêneos.

2. Metodologia

O artigo propõe um Framework MK-CKKS Adaptativo e Consciente de Recursos que integra três mecanismos principais sob um modelo de otimização unificado:

Protocolo de Troca de Chaves de Domínio de Referência: Para abordar o gargalo de escalabilidade $O(K^2)$ , o framework introduz um protocolo onde todos os clientes mapeiam seus textos cifrados para um único domínio de avaliação de referência ( $pk_s$ ) mantido pelo servidor. Em vez de alinhamento por pares, cada cliente realiza exatamente uma operação de troca de chave ( $c_k \leftarrow KS(c_k, TK_{k \to s})$ ). Isso reduz a complexidade total de troca de chaves de $O(K^2)$ para $O(K)$ .
Modelo de Otimização Multi-Objetivo Conjunto: O framework formula um problema de otimização para selecionar parâmetros CKKS (grau do módulo polinomial $N$ $N$ , cadeia de módulo de texto cifrado $Q$ $Q$ , fator de escala $\Delta$ $Δ$ , densidade de empacotamento $\rho$ $ρ$ e frequência de troca de chave $f_{ks}$ $f_{k s}$ ). O objetivo minimiza uma soma ponderada dos custos computacionais, de comunicação e de energia, sujeito a restrições explícitas:
- Segurança: Deve atender a um nível de segurança de 128 bits (dureza RLWE).
- Acurácia: Deve satisfazer um limiar mínimo de acurácia.
- Recursos: Deve aderir aos limites específicos do dispositivo em termos de CPU, memória e largura de banda.
Estratégias Adaptativas:
- Adaptação de Parâmetros: Os dispositivos são classificados por níveis de recursos (baixo/médio/alto), permitindo a seleção de graus polinomiais menores ( $N$ ) para dispositivos restritos sem comprometer a segurança.
- Empacotamento de Texto Cifrado: Utilizando as capacidades SIMD do CKKS para empacotar múltiplos parâmetros do modelo em um único texto cifrado, reduzindo drasticamente o volume de comunicação.
- Particionamento de Computação: Descarregando operações pesadas (processamento em lote, transformações multi-chave) para componentes de borda/servidor enquanto mantém o treinamento local leve.

3. Principais Contribuições

O artigo reivindica quatro contribuições primárias, validadas através de execução real em vez de simulação:

Troca de Chaves de Complexidade Linear: Formalização e validação de um protocolo de domínio de referência que reduz a complexidade de agregação multi-chave de $O(K^2)$ para $O(K)$ . Esta reivindicação é validada pela execução de operações de proxy de relinearização real para até $K=200$ clientes, demonstrando acelerações de 9,4× a 100,6× sobre o alinhamento de pares padrão.
Otimização Conjunta Consciente de Recursos: Um modelo de otimização inovador (Equação 9) que equilibra simultaneamente computação, comunicação e custos de energia sob uma restrição fixa de segurança de 128 bits, diferenciando-se de trabalhos anteriores que otimizavam dimensões únicas ou operavam em configurações de chave única.
Análise Rigorosa de Complexidade e Segurança: Reivindicações explícitas sobre a melhoria assintótica na troca de chaves e um argumento de nível de design (Proposição 2) de que a parametrização adaptativa preserva as garantias de segurança sob uma suposição de servidor honesto-mas-curioso, desde que a busca de parâmetros seja restrita a conjuntos que atendam ao piso de segurança.
Validação Empírica via Experimentos Reais: Diferente de estudos anteriores baseados em simulação, este trabalho fornece:
- Treinamento federado em conjuntos de dados reais MNIST e CIFAR-10 com particionamento non-IID.
- Execução direta de operações criptográficas (TenSEAL/OpenFHE) em vez de fórmulas projetadas.
- Verificação da correção do threshold-CKKS multi-partidário para até 32 partes.
- Medições reais de redução de comunicação e latência.

4. Resultados Experimentais

O framework foi avaliado em conjuntos de dados reais (MNIST, CIFAR-10) com $K=20$ clientes para acurácia e até $K=200$ para escalabilidade, utilizando um MLP compacto de uma única camada oculta.

Acurácia: O framework proposto alcançou 94,98% de acurácia no MNIST e 46,97% no CIFAR-10 (média sobre 3 sementes). Crucialmente, a acurácia do framework criptografado foi numericamente idêntica à linha de base plaintext FedAvg e à linha de base CKKS-FL de parâmetros fixos, confirmando que a criptografia e as camadas de agregação não introduzem degradação mensurável no desempenho do aprendizado.
Ganhos de Eficiência:
- Comunicação: Alcançou uma redução de 39–41% no overhead de comunicação em comparação ao convencional CKKS-FL de parâmetros fixos.
- Latência: Alcançou uma redução de 66–68% na latência de agregação no intervalo de $K=20$ a $200$.
- Impacto do Empacotamento: O empacotamento de texto cifrado demonstrou uma redução de 3.900×–4.060× nos bytes transmitidos em comparação com a transmissão não empacotada.
Escalabilidade: O estudo de ablação confirmou que remover a otimização de troca de chaves de domínio de referência aumentou a latência em aproximadamente 81%, validando o impacto estrutural da abordagem $O(K)$ .

5. Significância e Limitações

Significância:
O artigo posiciona sua contribuição como o fechamento do gap específico entre a agregação multi-chave e a otimização consciente de recursos. Ele demonstra que é possível alcançar escalabilidade linear na agregação de FL multi-chave e otimização de recursos conjunta sem sacrificar a segurança (128 bits) ou a acurácia. Os resultados são significativos porque são derivados de medições reais executadas de primitivas criptográficas e loops completos de treinamento de FL, em vez de projeções teóricas.

Alegações Modestas e Limitações:
Os autores declaram explicitamente as seguintes limitações e fronteiras de escopo:

Validação de Chave Independente: Embora a estrutura de complexidade $O(K)$ seja validada via execução real, a correção específica da construção MK-CKKS de chave independente por cliente (ex: Chen–Dai–Kim–Song) não pôde ser verificada empiricamente porque nenhuma biblioteca pública implementando essa construção exata estava disponível. Em vez disso, o framework baseia-se em um argumento de segurança de nível de design e em um experimento de threshold-CKKS re-verificado (OpenFHE) para correção.
Restrições de Hardware: Os experimentos foram conduzidos em um ambiente de nuvem de um único vCPU, não em hardware IoT físico (ex: Raspberry Pi). Consequentemente, as figuras de energia são estimativas baseadas em tempo e consumo de energia constante, não medições diretas de hardware.
Escala do Modelo: O uso de um MLP compacto (em vez de CNNs) foi uma escolha deliberada para manter os experimentos de criptografia e troca de chaves tratáveis dentro do orçamento computacional. Os autores reconhecem que a acurácia absoluta no CIFAR-10 (46,97%) é inferior aos benchmarks da literatura baseados em CNN.
Modelo de Ameaça: O framework aborda a confidencialidade contra servidores honestos-mas-curiosos e eavesdroppers (interceptadores). A defesa contra clientes maliciosos/Byzantine e comprometimento físico de dispositivos está fora do escopo.

Em conclusão, o artigo fornece um framework validado que reduz as barreiras computacionais e de comunicação para o FL preservação de privacidade em IoT, visando especificamente o gargalo de escalabilidade da agregação multi-chave, enquanto reconhece de forma transparente as lacunas remanescentes na implementação de bibliotecas de chave independente e validação de hardware físico.