💻 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

本文提出了一种用于物联网中隐私保护联邦学习的自适应资源感知型 MK-CKKS 框架，该框架通过在 MNIST 和 CIFAR-10 上的真实实验实现了线性复杂度的多密钥聚合和显著的性能提升，同时透明地承认独立密钥构建和物理硬件验证仍属于未来工作。

原作者： Nasir Ahmad Jalali, Hongsong Chen

发布于 2026-08-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nasir Ahmad Jalali, Hongsong Chen

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个这样的世界：你的智能手表、你邻居的恒温器，以及你汽车的导航系统都想通过共同学习来做出更好的预测，但它们都对分享自己的秘密感到恐惧。这就是**联邦学习（Federated Learning）**的核心——一种聪明的计算机协作方式，让它们可以在不交出私人笔记本的情况下共同完成一个团队项目。它们不是将数据发送给一个中央“老板”，而只是将“学到的教训”（数学更新）来回传递。

但问题在于：即使是这些“教训”也可能意外泄露隐私细节，比如你输入了什么或去了哪里。为了阻止这种情况，科学家们使用了一种被称为**同态加密（Homomorphic Encryption）**的魔术技巧。把它想象成一个带锁的玻璃盒。你可以把一张纸放进去，锁上，然后直接对盒子本身进行数学运算。盒子会变重或改变形状，但里面的纸始终保持隐藏。当你最终解锁时，得到的结果与你直接对纸进行数学运算的结果完全一致。然而，这些“锁着的盒子”又重又慢，而且如果你有许多朋友试图合并他们的盒子，这个过程可能会变成一场导致系统崩溃的物流噩梦。

这正是 Nasir Ahmad Jalali 和 Hongsong Chen 在他们最新的研究中所解决的难题。他们问道：“我们如何能让这种分享秘密的数学运算变得足够快速且轻量，从而适用于像 IoT 传感器这样电池供电的微型设备，同时又不破坏那把锁？”

问题所在：沉重的背包

在过去，尝试合并来自许多不同设备的加密更新，就像试图将一百种不同的语言融合进一次对话中。每当两个设备想要分享它们的“锁着的盒子”时，它们都必须执行一个复杂的翻译步骤，称为密钥切换（key-switching）。如果你有 20 个设备，这个翻译过程就要执行数百次。如果你有 200 个设备，翻译次数就会爆炸式增长（呈二次方增长），导致系统停滞。这就像是在要求体育场里的每一个人在合唱之前，都要先逐一向其他所有人做自我介绍一样。

此外，标准的加密设置是为大型云服务器设计的，而不是为小型、耗电量大的设备。在微型传感器上使用这些沉重的设置，就像是用汽车电池来驱动手电筒——虽然能用，但会瞬间耗尽电池，而且过于笨重。

解决方案：智能流水线

作者提出了一个全新的框架，它就像是一个处理这些加密消息的智能流水线。他们的重大突破在于一种处理“翻译”步骤的新方法。他们引入了一个参考域（Reference Domain），而不是让每个设备都去与其它设备对话。

想象一群间谍都需要向一个中央枢纽发送秘密消息。在旧的方法中，间谍 A 必须先为间谍 B 翻译消息，然后再为间谍 C 翻译，以此类推。而在新方法中，每个间谍只需将他们的消息翻译一次，转化为一种通用的“枢纽语言”（即参考域）。一旦大家都说同一种语言，他们就可以简单地把消息堆在一起。这把工作量从混乱的二次方复杂度（即设备数量翻倍，工作量变为原来的四倍）转变为简单的线性列表（即设备数量翻倍，工作量也仅仅是翻倍）。

他们还为系统添加了一个“资源感知”的大脑。在发送消息之前，系统会检查设备的电池电量和速度。如果设备电量较弱，它会使用更轻量、更快速的加密设置；如果设备性能强劲，则使用更重、更安全的设置。这确保了没有任何设备会被压垮。

他们的实际发现

研究人员不仅在计算机模拟上运行了这些想法，他们还构建了系统并进行了实测。他们在两个著名的图像数据集——MNIST（手写数字）和 CIFAR-10（动物和汽车的彩色照片）上训练了模型，并使用了模拟设备网络。

以下是他们的实测结果：

速度： 当他们将设备数量从 20 个增加到 200 个时，他们的新方法在合并消息方面的速度比旧的笨拙方法快了 9.4 到 100.6 倍。
效率： 他们成功将网络传输的数据量减少了约 39% 到 41%，并将完成一轮训练所需的时间缩短了 66% 到 68%。
准确率： 最关键的部分是？系统的学习效果与未加密版本一样出色。在手写数字测试中，它达到了 94.98% 的准确率；在彩色照片测试中，它达到了 46.97%。那个“魔术盒”并没有破坏数学逻辑，它只是更好地隐藏了数学。
打包能力： 通过将多个数据片段塞进同一个加密“盒子”中（一种称为“打包”的技术），他们将消息的大小与逐个发送相比，惊人地减少了 3,900 到 4,060 倍。

诚实的真相

尽管结果令人印象深刻，但作者也非常谨慎地说明了哪些部分尚未完成。他们承认，他们还没有在像树莓派（Raspberry Pi）或真正的智能手表这样的实际物理设备上进行测试；他们的测试是在标准的计算机服务器上运行的。他们还指出，虽然他们证明了这种新的“翻译”方法的数学逻辑对于多达 200 个设备是完美的，但他们尚未建立一个在现实世界中为每个设备都使用精确“独立密钥”设置的公开库。那是下一步的工作。

为什么这很重要

这篇论文表明，我们不必在隐私和性能之间做选择。通过重新思考加密设备之间相互沟通的方式，我们可以构建一个未来：智能设备可以共同学习以改善我们的生活，而无需向中央“老板”透露我们的私人数据。它将一个沉重、缓慢且昂贵的过程变成了一个轻量、快速且可扩展的过程，为我们日常设备中真正的隐私人工智能铺平了道路。

技术摘要：一种面向资源受限物联网环境的自适应资源感知型 MK-CKKS 联邦学习框架

1. 问题陈述

物联网设备的激增使得通过联邦学习（FL）进行分布式机器学习成为可能，然而资源受限的设备在部署隐私保护协议时面临显著挑战。虽然同态加密（HE），特别是 CKKS 方案，允许对加密数据进行计算，但标准配置是为云端规模的工作负载而调优的，这导致了对于物联网设备而言过于沉重的密文大小和计算开销。

在多密钥设置中，由于客户端属于独立的信任域且无法共享单一加密密钥，问题进一步加剧。现有的多密钥同态加密（MKHE）方法引入了随着客户端数量 $K$ 呈二次方（ $O(K^2)$ ）增长的密钥切换成本，这是由于需要进行两两配对的密文对齐。此外，先前的研究通常将资源适配（单密钥）与多密钥聚合分开讨论，导致在同时优化计算、通信和能量成本，同时保持异构物联网环境下的可扩展性与 128 位安全性方面存在研究空白。

2. 方法论

本文提出了一种自适应资源感知型 MK-CKKS 框架，该框架在一个统一的优化模型下集成了三个核心机制：

参考域密钥切换协议： 为了解决 $O(K^2)$ 的可扩展性瓶颈，该框架引入了一种协议，使所有客户端将其密文映射到由服务器持有的单一参考评估域（ $pk_s$ ）。不同于两两对齐，每个客户端仅执行一次密钥切换操作（ $c_k \leftarrow KS(c_k, TK_{k \to s})$ ）。这使得总密钥切换复杂度从 $O(K^2)$ 降低到了 $O(K)$ 。
联合多目标优化模型： 该框架构建了一个优化问题，用于选择 CKKS 参数（多项式模度阶数 $N$ $N$ 、密文模链 $Q$ $Q$ 、缩放因子 $\Delta$ $Δ$ 、打包密度 $\rho$ $ρ$ 以及密钥切换频率 $f_{ks}$ $f_{k s}$ ）。其目标是在满足显式约束的前提下，最小化计算、通信和能量成本的加权和：
- 安全性： 必须达到 128 位安全水平（RLWE 硬度）。
- 准确性： 必须满足最低准确度阈值。
- 资源： 必须符合设备特定的 CPU、内存和带宽限制。
自适应策略：
- 参数适配： 设备按资源层级（低/中/高）进行分类，允许为受限设备选择较小的多项式阶数（ $N$ ），而不损害安全性。
- 密文打包： 利用 CKKS 的 SIMD 能力将多个模型参数打包进单个密文中，从而大幅减少通信量。
- 计算分区： 将繁重的操作（批处理、多密钥转换）卸载到边缘/服务器组件，同时保持本地训练的轻量化。

3. 核心贡献

本文声称了四项主要贡献，这些贡献是通过真实执行而非模拟验证的：

线性复杂度密钥切换： 形式化并验证了一种将多密钥聚合复杂度从 $O(K^2)$ 降低至 $O(K)$ 的参考域协议。该项通过执行多达 $K=200$ 个客户端的真实重线性化代理操作得到验证，证明了相比于标准的两两对齐方式，其加速比达到了 9.4 倍至 100.6 倍。
联合资源感知优化： 提出了一种新型优化模型（公式 9），在固定的 128 位安全约束下，同时平衡计算、通信和能量成本，这与以往仅优化单一维度或在单密钥设置下运行的研究不同。
严谨的复杂度与安全性分析： 明确提出了关于异步改进的渐近性声明，并通过设计层面的论证（命题 2）指出，只要参数搜索限制在满足安全底线的集合内，自适应参数化即可保持安全性保证（基于诚实但好奇的服务器假设）。
通过真实实验进行实证验证： 不同于以往基于模拟的研究，本工作提供了：
- 在具有非 IID 分区的真实 MNIST 和 CIFAR-10 数据集上进行的联邦训练。
- 直接执行加密操作（TenSEAL/OpenFHE）而非投影公式。
- 验证了多方阈值-CKKS 在多达 32 个参与方下的正确性。
- 对通信量减少和延迟进行了真实测量。

4. 实验结果

该框架在真实数据集（MNIST, CIFAR-10）上进行了评估，其中针对准确度测试使用 $K=20$ 个客户端，针对可扩展性测试使用高达 $K=200$ 个客户端，并采用紧凑的单隐藏层 MLP 模型。

准确度： 所提框架在 MNIST 上实现了 94.98% 的准确度，在 CIFAR-10 上实现了 46.97% 的准确度（取 3 个种子值的平均值）。至关重要的是，加密框架的准确度与明文 FedAvg 基准线以及固定参数的 CKKS-FL 基准线在数值上完全一致，证实了加密和聚合层不会引入可测量的学习性能下降。
效率提升：
- 通信： 与传统的固定参数 CKKS-FL 相比，实现了 39–41% 的通信开销降低。
- 延迟： 在 $K=20$ 到 $200$ 的范围内，实现了 66–68% 的聚合延迟降低。
- 打包影响： 与未打包传输相比，密文打包展示了 3,900 倍至 4,060 倍的传输字节减少。
可扩展性： 消融研究确认，移除参考域密钥切换优化会导致延迟增加约 81%，从而验证了 $O(K)$ 方法在结构上的影响。

5. 重要性与局限性

重要性：
本文的贡献在于填补了多密钥聚合与资源感知优化之间的特定空白。它证明了在不牺牲安全性（128 位）或准确性的前提下，实现多密钥聚合中的线性可扩展性和联合资源优化是可行的。其结果具有重要意义，因为这些结果是基于真实的、已执行的密码原语和完整联邦学习训练循环的测量值，而非理论推导。

审慎的声明与局限性：
作者明确指出了以下局限性和范围边界：

独立密钥验证： 虽然通过真实执行验证了 $O(K)$ 的复杂度结构，但由于目前尚无实现该特定构造（如 Chen–Dai–Kim–Song）的公开库，因此无法对每个客户端独立密钥的 MK-CKKS 构建的特定正确性进行实证验证。相反，框架依赖于设计层面的安全论证以及经过验证的阈值-CKKS 实验（OpenFHE）来确保正确性。
硬件约束： 实验是在单 vCPU 云环境中进行的，而非物理物联网硬件（如 Raspberry Pi）。因此，能量数值是基于时间与恒定功耗的模型估算值，而非直接的硬件测量值。
模型规模： 使用紧凑的 MLP（而非 CNN）是一个刻意的选择，旨在使加密和密钥切换实验在计算预算内保持可行。作者承认，在 CIFAR-10 上的绝对准确度（46.97%）低于基于 CNN 的文献基准。
威胁模型： 该框架针对的是针对诚实但好奇的服务器及窃听者的机密性保护。针对恶意/拜占庭客户端以及物理设备受损的防御超出了本文的研究范围。

总之，本文提供了一个经过验证的框架，该框架降低了物联网中隐私保护联邦学习的计算和通信障碍，特别针对多密钥聚合的可扩展性瓶颈，同时透明地承认了在独立密钥库实现和物理硬件验证方面仍存在的差距。