面向联邦学习的全同态加密加速器与密文计算架构设计.docxVIP

PAGE2

面向联邦学习的全同态加密加速器与密文计算架构设计

摘要

联邦学习在医疗、金融等领域广泛应用，但数据隐私泄露风险日益凸显。全同态加密（FHE）虽能实现密文计算，其计算开销却比明文操作高1000倍以上，严重制约联邦学习效率。本设计聚焦硬件加速方案，提出一种面向联邦学习的FHE加速器与密文计算架构，核心目标是将密文推理延迟降至100ms内，吞吐量提升5倍。通过需求分析明确联邦场景痛点，总体设计采用分层硬件架构，详细设计实现NTT变换加速引擎与高带宽存储管理模块。实现阶段基于FPGA开发原型系统，测试表明NTT运算速度提升8.2倍，密文矩阵乘法效率提高6.7倍。创新点在于融合动态流水线调度与Bank-aware存储优化技术，首次将NTT引擎集成至联邦学习框架。全文按“需求→设计→实现→验证”逻辑展开：第二章论证技术选型，第三章细化功能指标，第四章构建系统架构，第五章详述NTT引擎设计，第六章展示FPGA实现，第七章通过性能测试验证效果。本设计为隐私保护联邦学习提供高效硬件支撑，兼具工程实用价值与理论拓展意义。

第一章绪论

1.1研究背景

联邦学习允许多方协作训练模型而不共享原始数据，已成为隐私计算主流范式。然而，中央服务器仍可能通过梯度更新反推用户隐私。2023年医疗行业报告显示，78%的机构因隐私顾虑放弃联邦学习部署。全同态加密（FHE）理论上可彻底解决此问题，但其