<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on Formize.com 博客</title><link>https://blog.formize.com/zh/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Formize.com 博客</description><generator>Hugo</generator><language>zh</language><atom:link href="https://blog.formize.com/zh/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>边缘 AI 的零信任合成数据织体</title><link>https://blog.formize.com/zh/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="边缘-ai-的零信任合成数据织体">边缘 AI 的零信任合成数据织体&lt;/h1>
&lt;h2 id="1-为什么边缘-ai-需要零信任httpswwwnistgovcyberframework合成数据织体">1. 为什么边缘 AI 需要&lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">零信任&lt;/a>合成数据织体&lt;/h2>
&lt;p>边缘设备——工业传感器、自治无人机、智能摄像头和可穿戴设备——正日益承担实时生成、处理和响应数据的职责。与集中式云不同，边缘环境是&lt;strong>分布式、异构且常常运行在敌对或控制不佳的网络&lt;/strong>中。传统的基于外围防御的安全模型无法保护在这些节点之间传输的敏感数据，尤其是在使用合成数据来补充稀缺的训练样本时。&lt;/p>
&lt;p>&lt;strong>零信任&lt;/strong>思维假设&lt;strong>没有任何实体、网络段或用户天生可信&lt;/strong>。每一次读取、写入或转换数据的请求都必须经过身份验证、授权并持续验证。当涉及合成数据时，风险更高：合成数据集可能嵌入专有模式、隐私保护噪声或监管所需的注释。泄露或篡改会削弱模型性能、违反合规要求并侵蚀利益相关者的信任。&lt;/p>
&lt;p>所提出的织体通过整合三项互补技术来应对这些挑战：&lt;/p>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>组件&lt;/th>
 &lt;th>核心收益&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>同态加密 (HE)&lt;/strong>&lt;/td>
 &lt;td>允许在不解密的情况下对加密数据进行计算，即使在不受信任的边缘节点上也能保持机密性。&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>差分隐私 (DP)&lt;/strong>&lt;/td>
 &lt;td>保证任意单条真实记录的加入或移除对合成输出的影响不显著，降低再识别风险。&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>区块链审计&lt;/strong>&lt;/td>
 &lt;td>提供不可篡改、可验证的来源和访问日志，支持合规（&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>、&lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>）以及取证调查。&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>它们共同构成&lt;strong>零信任合成数据织体 (ZT‑SDF)&lt;/strong>，可安全部署在边缘集群、联邦学习编排器和中心模型注册表上。&lt;/p>
&lt;hr>
&lt;h2 id="2-核心架构支柱">2. 核心架构支柱&lt;/h2>
&lt;h3 id="21-同态加密层">2.1 同态加密层&lt;/h3>
&lt;p>HE 方案（如 BFV、CKKS、TFHE）允许在密文上进行&lt;strong>加法、乘法以及受限的非线性操作&lt;/strong>。在 ZT‑SDF 中：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>数据摄取&lt;/strong> – 原始传感器流使用 &lt;strong>公钥&lt;/strong> 在设备端加密，公钥由 &lt;strong>密钥管理服务 (KMS)&lt;/strong> 下发。&lt;/li>
&lt;li>&lt;strong>合成生成&lt;/strong> – 加密数据被送入 &lt;strong>HE 兼容的 GAN&lt;/strong> 或 &lt;strong>VAE&lt;/strong>，在保持加密状态的同时生成合成样本。&lt;/li>
&lt;li>&lt;strong>模型训练&lt;/strong> – 边缘 AI 模型直接消费加密合成数据，在 HE 下执行梯度计算。得到的加密梯度被发送至 &lt;strong>安全聚合服务&lt;/strong>，仅在受信任的安全区中解密。&lt;/li>
&lt;/ol>
&lt;h3 id="22-差分隐私引擎">2.2 差分隐私引擎&lt;/h3>
&lt;p>DP 在两个阶段发挥作用：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>生成前&lt;/strong> – 在加密之前，对真实数据加入校准的拉普拉斯或高斯噪声，确保加密负载已经满足隐私预算 ε。&lt;/li>
&lt;li>&lt;strong>生成后&lt;/strong> – 对合成输出进一步使用 &lt;strong>DP‑清理器&lt;/strong>，强制全局隐私账本，防止多次生成导致的累计隐私损失。&lt;/li>
&lt;/ul>
&lt;p>DP 引擎维护一个 &lt;strong>隐私记账器&lt;/strong>，记录每个设备的 ε 消耗，实现基于风险画像的 &lt;strong>动态预算分配&lt;/strong>。&lt;/p></description></item><item><title>使用同态加密的安全多方合成数据协作</title><link>https://blog.formize.com/zh/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="使用同态加密的安全多方合成数据协作">使用同态加密的安全多方合成数据协作&lt;/h1>
&lt;p>在数据驱动的 AI 模型成为竞争优势的时代，&lt;strong>合成数据&lt;/strong> 已经成为共享真实记录的强大替代方案。然而，当多个方需要&lt;strong>共同创建&lt;/strong>合成数据集——比如跨行业的健康研究、联邦金融分析或联合自动驾驶仿真时，隐私、监管合规和信任成为主要障碍。&lt;/p>
&lt;p>本文介绍了一种&lt;strong>隐私保护协作框架&lt;/strong>，融合了三大前沿概念：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>同态加密 (HE)&lt;/strong> – 允许在加密数据上进行计算而无需解密。&lt;/li>
&lt;li>&lt;strong>安全多方计算 (SMPC)&lt;/strong> – 将密码学工作负载分布在参与者之间，使任何单一节点都看不到原始输入。&lt;/li>
&lt;li>&lt;strong>零信任架构 (ZTA)&lt;/strong> – 假设每个网络元素在被证明可信之前都是不可信的，强制持续验证和最小特权访问。&lt;/li>
&lt;/ol>
&lt;p>它们共同构成了&lt;strong>零信任合成数据市场 (ZT‑SDM)&lt;/strong>，让组织能够共同训练生成模型、验证合成输出并交换数据资产，同时对所有方（包括市场运营者）保持底层私有数据不可见。&lt;/p>
&lt;hr>
&lt;h2 id="现有解决方案为何不足">现有解决方案为何不足&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>现有方法&lt;/th>
 &lt;th>核心局限&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>集中式合成数据流水线&lt;/strong>&lt;/td>
 &lt;td>需要可信的数据湖；一次泄露即可暴露原始输入。&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>联邦学习 + 模型聚合&lt;/strong>&lt;/td>
 &lt;td>只共享模型更新，而非合成数据本身；下游消费者仍需请求原始数据进行验证。&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>单独使用差分隐私 (DP)&lt;/strong>&lt;/td>
 &lt;td>添加统计噪声会降低效用，尤其是高维数据。&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>仅使用 SMPC 的流水线&lt;/strong>&lt;/td>
 &lt;td>通信开销大；对大型生成模型（如扩散模型或大语言模型）扩展性差。&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>&lt;strong>ZT‑SDM&lt;/strong> 通过&lt;strong>加密整个数据生成流水线&lt;/strong>，同时仍然支持&lt;strong>实时质量反馈&lt;/strong>和&lt;strong>审计追踪&lt;/strong>，弥补了上述缺口。&lt;/p>
&lt;hr>
&lt;h2 id="架构概览">架构概览&lt;/h2>
&lt;p>下面是一个高层次的 Mermaid 图，展示了加密数据、计算和验证在各参与节点之间的流动。&lt;/p>
&lt;pre class="mermaid">
 graph TD
 subgraph &amp;#34;参与方 A&amp;#34;
 A1[&amp;#34;原始数据 A&amp;#34;]
 A2[&amp;#34;HE 加密器&amp;#34;]
 end
 subgraph &amp;#34;参与方 B&amp;#34;
 B1[&amp;#34;原始数据 B&amp;#34;]
 B2[&amp;#34;HE 加密器&amp;#34;]
 end
 subgraph &amp;#34;编排器&amp;#34;
 O1[&amp;#34;密钥管理服务&amp;#34;]
 O2[&amp;#34;安全计算引擎&amp;#34;]
 O3[&amp;#34;零信任策略引擎&amp;#34;]
 O4[&amp;#34;审计日志服务&amp;#34;]
 end
 subgraph &amp;#34;消费者&amp;#34;
 C1[&amp;#34;合成数据消费者&amp;#34;]
 end

 A1 --&amp;gt; A2
 B1 --&amp;gt; B2
 A2 --&amp;gt; O2
 B2 --&amp;gt; O2
 O2 --&amp;gt; O3
 O3 --&amp;gt; O4
 O2 --&amp;gt; C1
 O4 --&amp;gt; C1
&lt;/pre>
&lt;p>&lt;strong>关键组件&lt;/strong>：&lt;/p></description></item><item><title>使用同态加密的安全联邦边缘合成数据生成</title><link>https://blog.formize.com/zh/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="使用同态加密的安全联邦边缘合成数据生成">使用同态加密的安全联邦边缘合成数据生成&lt;/h1>
&lt;p>在数据隐私法规日益收紧、边缘 AI 工作负载激增的时代，组织面临一个悖论：他们需要丰富、多样的数据集来训练模型，却又无法将原始数据迁移到集中式云端。&lt;strong>合成数据&lt;/strong>——人工生成的、保留源数据统计特性的记录——提供了一个有力的解决方案，但在边缘设备上安全生成合成数据又带来了新的挑战。&lt;/p>
&lt;p>本文介绍了一种 &lt;strong>整体的零信任架构&lt;/strong>，利用 &lt;strong>同态加密 (HE)&lt;/strong>、&lt;strong>联邦学习 (FL)&lt;/strong> 和 &lt;strong>基于策略的治理&lt;/strong>，直接在边缘节点上生成合成数据，同时保证端到端的机密性。我们将逐步讲解密码学原语、数据流图、治理层以及使该方案可投入生产的实际部署模式。&lt;/p>
&lt;blockquote>
&lt;p>&lt;strong>关键要点&lt;/strong>&lt;/p>
&lt;ul>
&lt;li>理解传统合成数据流水线在边缘为何失效。&lt;/li>
&lt;li>学习同态加密如何在不解密的情况下对数据进行计算。&lt;/li>
&lt;li>查看融合 FL、HE 与零信任策略的逐步工作流。&lt;/li>
&lt;li>获取实现技巧、工具推荐以及性能基准。&lt;/li>
&lt;/ul>
&lt;/blockquote>
&lt;hr>
&lt;h2 id="1-为什么以边缘为中心的合成数据重要">1. 为什么以边缘为中心的合成数据重要&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>挑战&lt;/th>
 &lt;th>传统集中式方法&lt;/th>
 &lt;th>边缘中心合成方法&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>时延&lt;/strong>&lt;/td>
 &lt;td>数据必须传输到云端 → 高往返时延&lt;/td>
 &lt;td>本地生成 → 亚秒级响应&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>合规&lt;/strong>&lt;/td>
 &lt;td>跨境传输触发 GDPR、CCPA 等法规&lt;/td>
 &lt;td>数据永不离开所在司法辖区 → 设计即合规&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>带宽&lt;/strong>&lt;/td>
 &lt;td>海量原始数据饱和网络&lt;/td>
 &lt;td>仅交换模型更新和加密聚合&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>安全&lt;/strong>&lt;/td>
 &lt;td>中央存储成为高价值目标&lt;/td>
 &lt;td>攻击面仅限于孤立的边缘节点&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>在边缘生成的合成数据可以供下游分析、个性化引擎或联邦模型更新使用，而无需暴露原始用户信息。然而，边缘环境通常 &lt;strong>资源受限&lt;/strong> 且 &lt;strong>暴露于恶意网络&lt;/strong>，因此需要强大的密码学保障。&lt;/p>
&lt;hr>
&lt;h2 id="2-核心密码学构建块">2. 核心密码学构建块&lt;/h2>
&lt;h3 id="21-同态加密-he">2.1 同态加密 (HE)&lt;/h3>
&lt;p>HE 允许对 &lt;strong>密文&lt;/strong> 进行算术运算，解密后得到的结果等同于对明文执行相同运算的结果。当前主流的两大族：&lt;/p>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>方案&lt;/th>
 &lt;th>类型&lt;/th>
 &lt;th>典型使用场景&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>BFV&lt;/strong>&lt;/td>
 &lt;td>基于整数、精确&lt;/td>
 &lt;td>安全聚合计数、直方图&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>CKKS&lt;/strong>&lt;/td>
 &lt;td>近似、浮点数&lt;/td>
 &lt;td>训练神经网络、生成模型&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>两者均支持 &lt;strong>批处理 (SIMD)&lt;/strong>，可将加密成本摊到大量数据点上，这对边缘设备尤为关键。&lt;/p>
&lt;h3 id="22-安全多方计算-smpc">2.2 安全多方计算 (SMPC)&lt;/h3>
&lt;p>当各方需要在不泄露输入的前提下共同计算函数时，SMPC 起到补充作用。在本架构中，SMPC 用于 &lt;strong>密钥交换&lt;/strong> 与 &lt;strong>阈值解密&lt;/strong>，实现多个边缘节点之间的协同。&lt;/p></description></item><item><title>同态加密驱动的边缘合成数据生成</title><link>https://blog.formize.com/zh/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="同态加密驱动的边缘合成数据生成">同态加密驱动的边缘合成数据生成&lt;/h1>
&lt;h2 id="引言">引言&lt;/h2>
&lt;p>边缘设备——智能摄像头、可穿戴设备、工业传感器——收集大量个人或专有数据流。传统流水线将这些原始数据传输到云端进行清洗、增强或合成数据生成，导致数据被拦截、监管违规以及延迟惩罚。&lt;/p>
&lt;p>&lt;strong>同态加密（HE）&lt;/strong> 提供了一种有吸引力的替代方案：它允许直接在加密数据上进行计算，在保持机密性的同时仍能实现复杂分析。将 HE 与设备端合成数据生成器结合，创建了一个 &lt;strong>隐私保护的合成数据流水线&lt;/strong>，即使是计算引擎本身也永远看不到原始负载。&lt;/p>
&lt;p>在本文中，我们将：&lt;/p>
&lt;ol>
&lt;li>解释与合成数据生成相关的 HE 核心概念。&lt;/li>
&lt;li>概述一个端到端的边缘架构，将 HE 与现代基于扩散的生成器集成。&lt;/li>
&lt;li>讨论性能权衡、硬件加速以及成本有效的部署策略。&lt;/li>
&lt;li>提供使用 &lt;strong>Microsoft SEAL&lt;/strong> 库和轻量级扩散模型的实用 Python 原型。&lt;/li>
&lt;li>强调安全最佳实践和合规影响（&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>、&lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>、&lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>）。&lt;/li>
&lt;/ol>
&lt;blockquote>
&lt;p>&lt;strong>关键要点：&lt;/strong> 通过在原始传感器读取离开设备之前进行加密，并在加密域内完成合成数据生成，组织可以实现 &lt;strong>零知识数据合成&lt;/strong>——边缘设备永远不会获取原始数据，下游消费者仅收到合成的、隐私安全的记录。&lt;/p>
&lt;/blockquote>
&lt;hr>
&lt;h2 id="1-为什么要使用同态加密进行合成数据">1. 为什么要使用同态加密进行合成数据？&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>挑战&lt;/th>
 &lt;th>传统方法&lt;/th>
 &lt;th>同态加密支持的合成生成&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>数据暴露&lt;/strong>&lt;/td>
 &lt;td>原始数据传输到云端或中心服务器&lt;/td>
 &lt;td>数据端到端加密&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>监管合规&lt;/strong>&lt;/td>
 &lt;td>需要大量数据主体同意、审计&lt;/td>
 &lt;td>加密满足“数据在用”保护&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>延迟&lt;/strong>&lt;/td>
 &lt;td>往返云端增加秒到分钟级延迟&lt;/td>
 &lt;td>设备端计算消除网络延迟&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>信任&lt;/strong>&lt;/td>
 &lt;td>需要信任第三方处理环境&lt;/td>
 &lt;td>零知识证明：处理器无法看到明文&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>HE 支持对密文进行 &lt;strong>加法&lt;/strong> 和 &lt;strong>乘法&lt;/strong>，从而实现线性代数、矩阵运算，甚至是现代生成模型所需的非线性近似。虽然全同态加密（FHE）可以评估任意电路，但在结合巧妙近似后，&lt;strong>部分同态加密（SHE）&lt;/strong> 已足以满足基于扩散的生成器需求。&lt;/p>
&lt;hr>
&lt;h2 id="2-架构蓝图">2. 架构蓝图&lt;/h2>
&lt;p>下面是一张高层的 Mermaid 图，展示了数据流向。&lt;/p>
&lt;pre class="mermaid">
 flowchart LR
 A[&amp;#34;边缘传感器&amp;#34;] --&amp;gt; B[&amp;#34;同态加密编码器&amp;#34;]
 B --&amp;gt; C[&amp;#34;加密负载&amp;#34;]
 C --&amp;gt; D[&amp;#34;同态加密扩散引擎&amp;#34;]
 D --&amp;gt; E[&amp;#34;加密合成样本&amp;#34;]
 E --&amp;gt; F[&amp;#34;同态加密解码器（可选）&amp;#34;]
 F --&amp;gt; G[&amp;#34;合成数据消费者&amp;#34;]
 style A fill:#f9f,stroke:#333,stroke-width:2px
 style D fill:#bbf,stroke:#333,stroke-width:2px
&lt;/pre>
&lt;p>&lt;strong>组件说明：&lt;/strong>&lt;/p></description></item><item><title>在边缘使用同态加密和联邦学习实现实时隐私保护的合成数据生成</title><link>https://blog.formize.com/zh/real-time-privacy-preserving-synthetic-data-generation-at-th/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="在边缘使用同态加密和联邦学习实现实时隐私保护的合成数据生成">在边缘使用同态加密和联邦学习实现实时隐私保护的合成数据生成&lt;/h1>
&lt;h2 id="引言">引言&lt;/h2>
&lt;p>边缘 AI 正在从仅推理的工作负载转向 &lt;strong>以数据为中心&lt;/strong> 的流水线，这需要持续的模型更新、设备端训练以及合成数据生成。虽然合成数据可以显著降低昂贵的真实世界数据收集需求，但当源数据来自用户设备时，也会引发 &lt;strong>隐私&lt;/strong> 问题。传统的匿名化技术（掩码、差分隐私）要么降低数据效用，要么需要可信的中心权威——这两者在对延迟敏感的边缘场景中都不可取。&lt;/p>
&lt;p>一种 &lt;strong>新范式&lt;/strong> 将 &lt;strong>同态加密 (HE)&lt;/strong>、&lt;strong>联邦学习 (FL)&lt;/strong> 和 &lt;strong>零信任&lt;/strong> 控制相结合，在边缘实现 &lt;strong>实时&lt;/strong> 的高保真合成数据生成。本文将逐步阐述安全模型、架构组件以及构建此类流水线的实用实现步骤，同时讨论性能权衡和未来研究方向。&lt;/p>
&lt;h2 id="为什么边缘合成数据需要强隐私保障">为什么边缘合成数据需要强隐私保障&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>挑战&lt;/th>
 &lt;th>传统方法&lt;/th>
 &lt;th>局限性&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>数据驻留&lt;/strong>&lt;/td>
 &lt;td>将原始数据上传至云端&lt;/td>
 &lt;td>违反法规（&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>, &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>）&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>延迟&lt;/strong>&lt;/td>
 &lt;td>中心生成 → 往返&lt;/td>
 &lt;td>对实时推理不可接受&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>信任&lt;/strong>&lt;/td>
 &lt;td>中心权威验证数据&lt;/td>
 &lt;td>单点故障，内部风险&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>效用&lt;/strong>&lt;/td>
 &lt;td>大量差分隐私噪声&lt;/td>
 &lt;td>降低合成数据质量&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>边缘设备（物联网传感器、智能手机、自治无人机）产生 &lt;strong>高维、时效性强&lt;/strong> 的数据流（视频、音频、遥测）。为了保持模型的最新，需要 &lt;strong>本地&lt;/strong> 且 &lt;strong>即时&lt;/strong> 地生成合成数据。同时，原始数据绝不能以明文形式暴露给任何外部方，包括编排服务器。这正是 &lt;strong>同态加密&lt;/strong> 发挥作用的地方：它允许在加密数据上进行计算，确保整个流水线的机密性。&lt;/p>
&lt;h2 id="同态加密基础用于边缘-ai">同态加密基础（用于边缘 AI）&lt;/h2>
&lt;p>同态加密使得 &lt;strong>算术运算&lt;/strong>（加法、乘法）可以在密文上执行，且解密后的结果与对底层明文执行相同运算的结果一致。现代方案（CKKS、BFV、TFHE）支持：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>打包密文&lt;/strong> – 将多个数据点编码到单个密文中，降低带宽消耗。&lt;/li>
&lt;li>&lt;strong>近似算术&lt;/strong> – 适用于神经网络推理和生成模型。&lt;/li>
&lt;li>&lt;strong>自举（Bootstrapping）&lt;/strong> – 刷新密文噪声，扩展计算深度。&lt;/li>
&lt;/ul>
&lt;p>对于边缘合成数据生成，我们通常需要：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>加密特征提取&lt;/strong> – 在不解密的情况下从原始传感器数据计算嵌入。&lt;/li>
&lt;li>&lt;strong>加密模型推理&lt;/strong> – 对加密嵌入运行生成模型（例如 VAE、扩散模型）。&lt;/li>
&lt;li>&lt;strong>加密采样&lt;/strong> – 在保持加密状态下抽取合成样本，然后可选择在本地解密用于下游使用。&lt;/li>
&lt;/ol>
&lt;h3 id="选择合适的方案">选择合适的方案&lt;/h3>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>方案&lt;/th>
 &lt;th>优势&lt;/th>
 &lt;th>劣势&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>CKKS&lt;/strong>&lt;/td>
 &lt;td>近似算术，适用于浮点运算&lt;/td>
 &lt;td>对精确整数运算支持有限&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>BFV&lt;/strong>&lt;/td>
 &lt;td>精确整数算术，适合量化模型&lt;/td>
 &lt;td>密文尺寸较大&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>TFHE&lt;/strong>&lt;/td>
 &lt;td>位操作，快速自举&lt;/td>
 &lt;td>对大张量的延迟较高&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>大多数边缘流水线倾向于使用 &lt;strong>CKKS&lt;/strong>，因为生成模型依赖浮点运算，而在隐私收益的权衡下，轻微的近似误差是可以接受的。&lt;/p></description></item></channel></rss>