当前位置：首页 > news >正文

同态加密密文乘法优化与硬件架构设计

news 2026/5/2 15:33:02

1. 同态加密中的密文乘法优化挑战

在同态加密技术中，密文乘法是实现隐私保护计算的核心运算单元。与明文乘法不同，密文乘法需要在加密状态下完成多项式环上的乘加运算，同时控制噪声增长以保证后续可解密性。RNS-CKKS作为当前最实用的全同态加密方案之一，其计算效率直接决定了隐私计算系统的实用性边界。

传统密文乘法面临三个主要瓶颈：

计算复杂度高：单次乘法涉及多个NTT（数论变换）和多项式乘法，17次密文乘法需要79次重缩放操作
噪声累积快：每次乘法使噪声增长Δ²，超过阈值会导致解密失败
硬件资源消耗大：在L=24、N=2^16参数下，传统3输入乘法器需要393.7mm²逻辑面积

关键突破：本文提出的多输入分组架构将17输入乘法的重缩放操作从79次降至41次，同时保持相同的乘法深度⌈log₂17⌉=5

2. RNS-CKKS方案的技术原理剖析

2.1 多项式环与噪声机制

RNS-CKKS工作在环R_q = ℤ_q[X]/(X^N +1)上，其中：

q为复合模数q = ∏q_i（通常取多个机器字长素数）
N为2的幂次（典型值2^15~2^16）
密文ct = (a,b) ∈ R_q²，满足b = -a·s + m + e，其中s为密钥，e为噪声

密文乘法的噪声增长遵循：

噪声增长 ∝ Δ^(乘法输入数) · (多项式系数范数)

其中Δ为缩放因子，用于保持浮点数的精度。

2.2 重线性化关键技术

重线性化（Relinearization）用于控制密文扩张：

原始乘法输出三元组ctₘᵤₗ = (a₀,a₁,a₂)
通过评估密钥evk = (b,a) ≈ (-a·s + s² + e, a) 将其压缩为二元组
本文创新：共享中间计算结果，将重线性化的(I)NTT操作从6L+2K-6降至2L+2K-4

2.3 重缩放(Rescaling)优化

重缩放用于控制噪声增长幅度，传统实现存在计算冗余：

# 传统串行重缩放（需L次INTT/NTT） for i in range(L): ct = INTT(ct) ct = ct * (q_i^{-1} mod q) % q_i ct = NTT(ct) # 本文组合重缩放（单次INTT/NTT） ct = INTT(ct) for i in range(μ): # μ为组合层数 ct = ct * (q_i^{-1} mod q) % q_i ct = NTT(ct)

3. 多输入乘法硬件架构设计

3.1 分组计算策略

对于n输入乘法，采用分组计算策略：

计算分组数m = ⌈n/k⌉，其中k为每组输入数
每组内部采用k输入并行乘法器
组间结果通过优化后的重缩放单元处理

以17输入为例的两种分组方案：

方案A：(16,1)分组
- 需要79次重缩放
- 乘法深度=5
方案B：(9,8)分组 → (3,3,3 | 4,4)
- 仅需41次重缩放
- 通过3-RS和2-RS组合单元优化

3.2 关键硬件模块

3.2.1 并行NTT单元

采用2-parallel Radix-2架构
每级包含log₂N个处理单元(PE)
每个PE含1个模乘+2个模加（NTT）或4个模加（INTT）
关键路径延迟：5级流水（3级模乘+2级模加）

3.2.2 重缩放组合单元

module Multi_RS #(parameter μ=3) ( input [63:0] poly_in, input [μ-1:0][63:0] q_inv, output [63:0] poly_out ); // 共享INTT计算 wire [63:0] intt_out = INTT(poly_in); // 并行模约减 genvar i; generate for(i=0; i<μ; i++) begin assign poly_out[i] = (intt_out * q_inv[i]) % q[i]; end endgenerate // 统一NTT转换 assign poly_out = NTT(poly_out); endmodule

3.2.3 多项式乘法器

采用Schoolbook算法优化
资源消耗：
- 16L个模乘单元
- 延迟：8时钟周期

4. 性能优化与实验结果

4.1 复杂度对比分析

输入数n	传统方案(RS次数)	本文方案(RS次数)	降低比例
3	32	0+2	93.8%
6	14+2	8+2	42.9%
9	31+2	12+2	61.3%
17	79+2	41+2	47.0%

4.2 硬件实现结果

在GF 22FDX工艺下综合：

3输入乘法器：
- 逻辑面积：334.3mm²（降低15%）
- 延迟：0.33ms（降低50%）
- 内存：502MB → 402MB（降低20%）
17输入乘法器：
- 总逻辑门数：1.125×10¹⁰ XOR（对比基线降低33.7%）
- 时钟周期：197,120（对比394,245降低50%）

5. 工程实现中的关键技巧

5.1 内存访问优化

评估键预取：在乘法计算时预加载下一组的evk
乒乓缓冲：为NTT单元配置双缓冲，隐藏内存延迟

// 示例内存调度策略 for(int g=0; g<group_num; g++) { prefetch(evk[g+1]); // 预取下一组密钥 compute_group(g); // 当前组计算 swap_buffer(); // 切换缓冲 }

5.2 噪声平衡技术

动态分组调整：根据噪声预算自动调整分组策略
- 高噪声场景：采用(2,2,2)等小分组
- 低噪声场景：采用(5,3)等大分组
早期终止机制：当噪声增长超过阈值时提前终止计算

5.3 实际部署建议

参数选择：
- 医疗数据：L=24, N=2^15
- 金融计算：L=32, N=2^16
温度管理：
- 每mm²功耗约0.5W @2.5ns周期
- 需要强制风冷维持结温<85℃
错误检测：
- 添加CRC校验防止SEU错误
- 采用双模冗余(DMR)关键路径

6. 典型应用场景实测

6.1 基因组序列比对

操作流程：
1. 加密REF序列和READS
2. 并行计算Hamming距离
3. 通过9输入乘法聚合结果
性能指标：
- 100bp比对延迟：1.2ms
- 功耗：28W @1GHz

6.2 联邦学习梯度聚合

架构优化：

# 梯度聚合计算图 enc_gradients = [enc_grad1, ..., enc_grad8] group1 = MultiMul(enc_gradients[:4]) # 4输入乘法 group2 = MultiMul(enc_gradients[4:]) # 4输入乘法 avg_grad = MultiMul([group1, group2]) # 2输入乘法