跳转到内容
Jason's Study

Homomorphic Encryption for Arithmetic of Approximate Numbers

是什么

Homomorphic Encryption for Arithmetic of Approximate Numbers 提出：CKKS：近似浮点算术上的同态加密。

日常类比：像带误差的加密算盘，适合神经网络浮点推理。

读论文时先抓「威胁模型/假设→核心构造→复杂度/开销」三件事。

为什么重要

  • 隐私 ML 工业默认
  • 近似噪声预算管理
  • 链 BFV/BGV 对照
  • 加密推理服务

核心要点

  1. 问题设定：作者要解决什么不可能三角（安全/性能/易用）。
  2. 关键技巧：一个构造或定理把难题拆成可实现步骤。
  3. 安全假设：信任根、敌手能力、失败概率。
  4. 工程映射：开源库与 RFC 如何落地论文思想。
  5. 局限：已知攻击面、参数选取、未来工作。

实践案例

案例 1：画威胁模型表

列：资产、敌手、能力、目标；对照论文假设勾选覆盖项。

案例 2：找开源实现

Terminal window
# 搜索论文标题 + library 名称，读 README 的 security note

案例 3：与邻居论文对照

阅读 fan-vercauteren-bfv-2012，画时间线：哪篇解决 setup/性能/证明长度。

案例 4：面试复述

用「类比 + 三要点」在 2 分钟内讲清；准备一条「为什么不用更简单方案」。

案例 5：与双千 atlas 交叉阅读

在 papers-atlas 找同子类 1 篇，对比实践案例是否覆盖实验/参数/失败模式。

踩过的坑

  1. 把理想模型当产品默认：论文参数在工业界常被放宽。
  2. 忽略组合开销：多个原语组合时安全界不是简单相加。
  3. 误读实验规模：小数据集上的 ε 不可直接外推。
  4. 混淆相似缩写：如 DP/LDP、SNARK/STARK 场景不同。
  5. 行数与模板：交付前用 quality-gate 扫一遍。

适用 vs 不适用场景

适用：

  • 安全/系统/architecture 面试深挖
  • 选型隐私或密码组件前的理论扫盲
  • 读源码前的概念地图

不适用：

  • 不做威胁建模直接上生产
  • 替代官方标准文本（FIPS/RFC）
  • 数学证明细节（请读原文附录）

历史小故事（可跳过）

  • 论文常是多年社区实践的第一次形式化。
  • 标准机构（NIST/IETF）往往在论文后收敛算法名。
  • 开源实现与论文版本存在参数漂移，以 release 为准。
  • 近年与 ML、TEE、区块链场景强交叉。

学到什么

  • 安全方案先问威胁模型，再问漂亮数学。
  • 工程落地看常量与实现漏洞，不只看渐近复杂度。
  • 论文链式阅读比单篇精读更高效。
  • 与站内 neighbors 互链能形成可复习的知识图。

核心算法细节

CKKS 编码与近似算术

CKKS（Cheon-Kim-Kim-Song）的核心创新是允许近似算术，用消息精度换取效率：

  1. 复数打包：将 N/2 个复数编码到一个多项式密文（通过 FFT-like 嵌入），实现 SIMD 并行计算
  2. Rescaling 操作：乘法后密文模数增大，通过除以缩放因子 Δ 保持精度，类似浮点的规格化
  3. 近似误差分析：每次运算引入 O(1/Δ) 级别误差，需在应用层预估误差累积
  4. 参数选取：缩放因子 Δ ≈ 2^40-2^60，模数链深度决定支持的乘法次数
import tenseal as ts


# 创建 CKKS 上下文
context = ts.context(
    ts.SCHEME_TYPE.CKKS,
    poly_modulus_degree=8192,
    coeff_mod_bit_sizes=[60, 40, 40, 60]
)
context.generate_galois_keys()
context.global_scale = 2**40


# 加密向量并计算
plain = [1.1, 2.2, 3.3, 4.4]
enc = ts.ckks_vector(context, plain)
result = enc * enc + enc   # 同态计算 x^2 + x（近似）
print(result.decrypt())    # 输出近似结果

Bootstrapping 思路

CKKS bootstrapping 将噪声密文”刷新”到高模数：

  • 通过同态计算 Mod 函数（用多项式近似）恢复消息
  • 每次 bootstrap 消耗约 16-20 层乘法深度，提供无限乘法深度支持

工程实现要点

  • Microsoft SEAL：微软开源 C++ 库，对 CKKS 支持最成熟，有向量化和 AVX512 优化
  • OpenFHE：继承 PALISADE，支持 CKKS + bootstrapping，学术首选
  • TenSEAL：Python 封装 SEAL，适合隐私 ML 原型开发
  • HEaaN：韩国 CryptoLab 商业实现，性能最优，用于实际部署
  • 精度陷阱：CKKS 是近似加密，不适合需要精确整数计算的场景（改用 BFV/BGV）
  • Bootstrapping 开销：单次 bootstrap 在当前硬件约 1-10 秒，生产部署需评估可行性

延伸阅读

关联

维护备注

  • 引用格式保持单引号包裹 来源 字段。

反向链接