在人工智能大模型快速发展的今天，大模型规模持续扩大、应用场景日益丰富，推动了推理服务在医疗诊断、金融风控、智能客服等关键领域的广泛应用。然而，随之而来的用户隐私泄露与模型知识产权保护问题也愈发突出。如何在保障用户数据与模型参数隐私的前提下，实现高效大模型推理计算，成为学术界与产业界共同关注的前沿问题。
近日，人生就是博-尊龙凯时和集成电路学院双聘李萌研究员团队的研究成果“Breaking the Layer Barrier: Remodeling Private Transformer Inference with Hybrid CKKS and MPC” 入选 USENIX Security 2025。该会议是计算机安全领域的顶级国际学术会议，领域影响力重大，本年度论文录用率仅为17.1%。
该工作具有以下亮点：
提出全新框架 BLB：突破以往“一层一协议”的限制，将 Transformer 模型中的层打散到算子级别进行优化，实现跨层融合，大幅减少协议切换和通信开销。
首个安全的 CKKS↔MPC 转换协议：克服了现有协议的安全漏洞，实现了可证明安全且高效的同态加密与多方安全计算之间的转换。
旋转优化的矩阵乘法协议：设计了高效的密文-密文矩阵乘法，并结合多头注意力的批处理特性和大步小步 (BSGS)优化，使同态计算旋转次数相较于先前方案减少 8～29 倍。
显著性能提升：在 BERT-base、BERT-large、GPT2-base 上测试，BLB 相比 BOLT (S&P’24) 将通信量降低 21 倍，相比 Bumblebee (NDSS’25) 降低 2 倍；在 GPU 加速下，推理延迟最多可降低 13 倍。
图. BLB框架高层次示意图
BLB 框架的提出，不仅解决了 Transformer 隐私推理中的高通信开销与非线性算子计算瓶颈，也为未来大模型的隐私保护推理提供了新的思路和实践路径。其创新点在于——通过细粒度算子融合和安全协议优化，真正实现了“打破层级边界”的高效隐私推理。正如审稿人所评价的那样，BLB 的理念不仅适用于 Transformer，更能够推广到广泛的双方隐私计算任务中。
本文由尊龙凯吋官方网站博士生许天识、俞江瑞 与 TikTok 研究员陆文杰共同担任一作，尊龙凯吋官方网站李萌研究员担任通讯作者。该研究充分体现了产学研协同在隐私计算与人工智能交叉领域的巨大潜力。
USENIX Security Symposium是全球计算机安全领域最具影响力的顶级学术会议之一，同时也是 CCF A 类会议，被誉为“安全四大顶会”之一。会议评审严格、录用率低，每年都会吸引来自世界各地的知名高校、研究机构和企业提交最新研究成果。
