TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems

📄 arXiv: 2606.26664v1 📥 PDF

作者: Ngoc Bao Anh Le, Thai T. Vu, John Le, Heath Cooper, Jun Shen

分类: cs.CR, cs.AI

发布日期: 2026-06-25

备注: 7 pages, 3 figures, 3 tables. Accepted at IEEE ICWS 2026

💡 一句话要点

提出TGHE以解决大规模金融图的隐私保护GNN推理问题

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 同态加密 图神经网络 隐私保护 金融科技 大规模图 并行计算 模板现象

📋 核心要点

  1. 现有同态加密GNN系统在处理动态大规模金融图时存在性能瓶颈，无法支持超过2万节点的查询。
  2. TGHE通过自我中心化框架和模板现象，优化了局部计算树的结构，提升了加密推理的效率。
  3. 在DGraphFin数据集上，TGHE-Collapse实现了66.9倍的速度提升，且几乎没有损失模型性能。

📝 摘要（中文）

现有基于同态加密的图神经网络（GNN）系统采用图中心化范式，使得每次查询的成本与全局图的规模紧密相关，限制了评估节点数至多约2万，无法适应动态的大规模金融图。为此，本文提出了TGHE（基于模板的图同态加密），一个自我中心化的框架，通过利用模板现象来解决这一问题：交易图中的局部计算树收敛为一小组结构形状。TGHE在边缘节点对自我图进行标准化，并将结构相同的树打包成共享的CKKS密文，以实现SIMD并行加密推理，同时采用两个长尾优化器（近似模板拟合和拓扑崩溃）确保全面的SIMD覆盖。在DGraphFin（370万节点，430万边）上，TGHE-Collapse相较于顺序加密基线实现了66.9倍的加速，且AUC损失小于0.002。

🔬 方法详解

问题定义：现有的同态加密GNN系统在处理大规模图时，查询成本与图的规模紧密相关，导致性能低下，无法满足动态金融图的需求。

核心思路：TGHE通过自我中心化的框架，利用局部计算树的结构相似性，将相同结构的树打包为共享密文，从而实现高效的SIMD并行加密推理。

技术框架：TGHE的整体架构包括边缘节点的自我图标准化、CKKS密文的生成与打包、以及两个优化器（近似模板拟合和拓扑崩溃）以确保SIMD覆盖。

关键创新：TGHE的主要创新在于其自我中心化的设计和模板现象的利用，使得加密推理的效率大幅提升，与传统的图中心化方法相比，显著降低了查询成本。

关键设计：在设计中，TGHE采用了CKKS同态加密方案，设置了适当的参数以确保加密数据的安全性和推理的准确性，同时优化了树的结构以实现高效的并行处理。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TGHE-Collapse在DGraphFin数据集上实现了66.9倍的速度提升，相较于传统的顺序加密基线，几乎没有损失模型性能（AUC损失小于0.002），展示了其在大规模图推理中的优越性。

🎯 应用场景

TGHE的研究成果在金融科技领域具有广泛的应用潜力，尤其是在需要保护用户隐私的场景中，如金融交易分析、风险评估和欺诈检测等。通过提升GNN在大规模动态图上的推理能力，TGHE能够为金融机构提供更高效的决策支持，同时确保数据隐私的安全性。

📄 摘要（原文）

Existing homomorphic encryption (HE)-based GNN systems adopt a graph-centric paradigm that couples per-query cost to global graph size, limiting evaluations to at most ~20k nodes and making them incompatible with dynamic, large-scale financial graphs. We propose TGHE (Template-based Graph Homomorphic Encryption), an ego-centric framework that resolves this by exploiting a template phenomenon: local computation trees in transaction graphs converge into a small set of structural shapes. TGHE canonicalizes ego-graphs at the edge and packs structurally identical trees into shared CKKS ciphertexts for SIMD-parallel encrypted inference, with two long-tail optimizers (Approximate Template Fitting and Topology Collapse) ensuring full SIMD coverage. On DGraphFin (3.7M nodes, 4.3M edges), TGHE-Collapse achieves a 66.9x speedup over the sequential encrypted baseline with less than 0.002 AUC loss.