Efficient privacy-preserving sparse matrix-vector multiplication using homomorphic encryption

doi:10.1016/j.ins.2026.123180

2026-02-01

PRE

DOI：10.1016/j.ins.2026.123180

原文链接

原文求助

摘要

En 中文

稀疏矩阵向量乘法（SpMV）是科学计算、数据分析和机器学习中的基本操作。当处理的数据具有敏感性时，保护隐私变得至关重要，同态加密（HE）已作为解决该挑战的主要方法出现。尽管HE能够实现隐私保护计算，但其应用于SpMV方面仍大多未被解决。据我们所知，本文提出了首个将HE与SpMV高效集成的框架，解决了计算效率与数据隐私的双重挑战。具体而言，我们引入了一种新颖的压缩矩阵格式，命名为压缩稀疏排序列（CSSC），该格式专门设计用于优化加密稀疏矩阵计算。通过保持稀疏性和实现高效的密文打包，CSSC显著降低了存储和计算开销。我们在真实数据集上的实验结果表明，所提出的方法在处理时间和内存使用方面均实现了显著提升。本研究推进了隐私保护SpMV，并为联邦学习、加密数据库以及科学计算等更广泛的安全应用奠定了基础。

Keyword:

Sparse matrix-vector multiplication (SpMV)

Homomorphic encryption (HE)

Privacy-preserving computation

Compressed sparse matrix format