基于分段查找表与动态CG-NTT复用的同态ReLU加速OA

全同态加密不支持非线性同态计算,导致隐私保护机器学习中的同态ReLU评估难以直接实现。现有采用高阶多项式近似ReLU激活函数的方案设计大位宽模乘与高阶多项式乘法运算,使得系统吞吐量受限、资源利用率低。对此,提出了一种CPU-FPGA异构协同的同态ReLU评估方案:由CPU端执行ReLU的高阶多项式近似,FPGA端执行同态多项式评估加速。具体而言,首先设计了分段查找表模运算方法,借助双级分解映射机制将大位宽模乘转化为并行高低位查表与线性组合,模乘时延较现有最优方案降低97%。其次,提出动态资源复用CG-NTT架构优化多项式乘法效率,依托固定访存模式实现动态表复用策略,相较于传统NTT架构,减少15%~37%计算单元,降低45%~50.8%运算时延。最后,构建CPU-FPGA异构加速框架,通过相位调优接口与资源协调机制,使同态ReLU评估获得21.4倍加速比。实验验证了该方案在加速密文推理中的可行性,但最耗时的自举操作仍需在CPU端执行。因此,未来研究将聚焦自举操作的硬件加速,以进一步提升密文推理系统的实用性能。