综述：基于CKKS全同态加密的CNN与Transformer推理算法综述

《Cryptography》：A Survey of CKKS-Based Neural Network Inference: Technical Mechanisms and Network-Level Execution Planning

　　

摘要

全同态加密（FHE）使服务器能够在加密输入上评估神经网络。Cheon–Kim–Kim–Song（CKKS）方案支持对打包向量进行近似算术运算，使其适用于神经网络中使用的线性计算。本综述考察了使基于 CKKS 的推理在卷积神经网络（CNN）和 Transformer 上可行且高效的算法方法。它围绕非线性近似、加密张量打包、自举和网络级执行规划对文献进行了组织。多项式和迭代近似在数值保真度与电路深度之间取得平衡，而张量表示则决定槽位旋转、布局转换和活跃密文分配。与此同时，自举恢复了后续阶段所需的模量级别，而网络级规划则跨层协调这些耦合决策。我们制定了一套关于密文状态、级别可行性和评估延迟的统一符号，以追踪这些交互作用。已发表的 CNN 和 Transformer 案例说明了这些交互作用如何影响在报告的执行设置下的自举需求、评估延迟和任务准确率。未来方向包括在变化的输入范围内保持近似精度，在连续算子之间选择兼容的布局，并将自举原语和算子融合整合到网络级规划中。