ALOHA：利用特定于密码学的架构加速分级完全同态加密

《ACM Transactions on Architecture and Code Optimization》：ALOHA: Accelerating Leveled Fully Homomorphic Encryption with Cryptography-Specific Architectures

全同态加密加速框架ALOHA通过FPGA硬件设计优化和编译器自动化提升性能，支持混合联邦学习与多方计算场景，硬件引擎实现177.8倍加速，编译器带来145.5倍增益，综合效率达传统加速器的2.5-3.3倍。

　　

摘要AI概述

摘要

摘要

全同态加密（FHE）能够在加密数据上进行隐私保护的计算，但会带来较高的计算开销。为了降低这一开销，分级全同态加密（LFHE）限制了支持的计算的乘法深度。然而，这种限制影响了其通用性，因此需要将LFHE与联邦学习（FL）和安全多方计算（MPC）结合起来。不过，这些混合的FL/MPC工作流程引入了新的挑战，因为它们需要动态的密码学适应性和灵活的调度以实现高效执行。我们提出了ALOHA，这是一个基于FPGA的LFHE加速框架，旨在消除混合工作流程中的性能和调度瓶颈。ALOHA的硬件引擎能够高效地将密文操作引导至密码学模块算术通道，从而实现并行计算吞吐量，同时消除数据竞争。一个可重构的Benes网络动态连接这些通道，实现对FHE特定自同构和自适应内存访问的原生支持。为了将算法灵活性与硬件效率相结合，ALOHA还集成了一种领域特定的编译器，该编译器可以自动进行密文打包并生成延迟优化的指令调度。在消融研究中，与最先进的解决方案相比，硬件和编译器分别带来了177.8倍和145.5倍的加速效果。在端到端评估中，ALOHA加速了与FL和MPC结合的复杂隐私保护服务，其加速效果分别为2.5倍和3.3倍。

AI概述

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并帮助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章才是权威版本。点击这里了解更多。

点击这里对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

AI生成的摘要

版本创建于2026年1月24日。

本研究提出了ALOHA，这是一个基于FPGA的硬件加速框架，旨在优化分级全同态加密（LFHE），以实现隐私保护的计算。LFHE允许在加密数据上进行计算，同时仅支持有限数量的顺序乘法操作，这使得它在保持强安全性的同时比全FHE更具实用性。

核心挑战在于，现有的FHE加速器针对需要大量计算开销的引导操作进行了优化，而LFHE应用有不同的要求和参数限制。ALOHA引入了一种特定于密码学的向量处理器架构，能够高效处理LFHE中的三个基本操作：数论变换（NTT）、自同构和模块算术。硬件设计包含128个模块算术通道，这些通道通过Benes网络相互连接，为自同构和NTT操作所需的数据排列提供非阻塞路由，而无需中央控制开销。

该架构包括一个组织为4银行SRAM的scratchpad内存、与密文数据结构对齐的向量寄存器，以及一个管理不同算术和内存单元之间指令调度的序列器。关键优化包括使用Barrett算法的可配置模块化 reduction和支持NTT友好的模数属性。Benes网络实现允许排列的自路由，消除了密码学操作期间的竞争。

ALOHA集成了一种领域特定的编译器，该编译器可以自动进行密文数据打包并生成延迟优化的指令调度。编译器包含一个子程序开发库，实现了各种计算的最新打包算法，包括卷积、矩阵运算和向量乘积。它自动选择最优的多项式环，生成twiddle因子，并执行内核融合以最小化数据在内存层次结构中的移动。

该框架支持将LFHE与联邦学习或安全多方计算结合的混合部署，在实现隐私保护应用的同时提供灵活性和实际性能。评估表明，与CPU实现相比，硬件加速效果提升了177.8倍，而编译器又额外提升了145.5倍。在包括私有数据库检索、神经网络推理和联邦学习梯度聚合在内的端到端应用中，ALOHA的加速效果分别为2.3倍到4.2倍，优于最先进的FPGA加速器。

该框架通过将架构设计与密文数据结构对齐并实现特定于密码学的操作，使硬件利用率保持在90%以上。与包括CPU、GPU和其他FPGA设计在内的其他加速方法相比，ALOHA提供了更好的性能成本比，同时避免了高带宽内存需求。研究表明，针对LFHE特定操作而非通用FHE引导操作的专用硬件设计能够实现实际隐私保护计算场景的加速。

此内容由AI生成。了解更多