买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学申请的专利一种基于机器学习的同态加密GPU加速系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120110644B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510590019.4，技术领域涉及：H04L9/00；该发明授权一种基于机器学习的同态加密GPU加速系统及方法是由陈滏媛;董建阔;董振江;吴雯;付宇笙设计研发完成，并于2025-05-08向国家知识产权局提交的专利申请。

本一种基于机器学习的同态加密GPU加速系统及方法在说明书摘要公布了：本发明提出了一种基于机器学习的同态加密GPU加速系统及方法，根据应用服务的计算需求，为基于GPU的同态加密计算提供以高吞吐性能为目的的并行参数推荐，并根据推荐得到的并行参数在GPU上进行高性能的同态加密计算。每次同态加密计算后的性能测试结果将反馈给基于机器学习的并行参数推荐模型，进一步提升推荐系统的准确性，进而提升同态加密的计算性能。本发明方法能够动态适应计算需求的变化，提升同态加密的计算性能,促进同态加密的工业化应用。

本发明授权一种基于机器学习的同态加密GPU加速系统及方法在权利要求书中公布了：1.一种基于机器学习的同态加密GPU加速系统，其特征在于：包括基于机器学习的并行参数推荐模块和基于GPU的同态加密计算优化模块； 基于机器学习的并行参数推荐模块包括模型参数调节模块和并行参数推荐模块； 模型参数调节模块调整并行参数推荐模块的模型参数，提升并行参数推荐模块的推荐准确性，模型参数包括最大深度即每个决策树的最大深度、学习率即每棵决策树对最终预测的贡献和决策树总数即生成的决策树总数； 模型参数调节模块包括随机搜索调节单元、网格搜索调节单元和贝叶斯搜索调节单元； 所述随机搜索调节单元使用随机搜索来调整并行参数推荐模块的模型参数；网格搜索调节单元使用网格搜索来调整并行参数推荐模块的模型参数；贝叶斯搜索调节单元使用贝叶斯搜索来调整并行参数推荐模块的模型参数； 并行参数推荐模块通过预测不同并行参数下同态加密计算的性能，并根据预测结果推荐最佳GPU并行参数； 并行参数推荐模块包括性能预测单元和最优化推荐单元； 性能预测单元使用XGBoost算法，对多组合并行参数下的同态加密计算进行计算性能预测； 最优化推荐单元根据性能预测单元得到的性能预测结果，使用最优化分析获取最佳计算吞吐性能，并得到最佳并行计算参数； 基于GPU的同态加密计算优化模块根据基于机器学习的并行参数推荐模块推荐的GPU计算并行参数，执行同态加密计算，根据GPU的硬件平台特性，包括并行优化、访存优化与指令优化； 并行优化根据基于机器学习的并行参数推荐模块得到的推荐参数，在单个线程内执行批量计算，多个线程执行并行计算；访存优化根据GPU硬件的分层内存结构，将数据分别存放至全局内存、常量内存、纹理内存、共享内存、寄存器中；指令优化利用CUDA平台的PTXISA指令集实现基础算数计算； 基于机器学习的并行参数推荐模块根据计算参数进行并行参数推荐计算，包括： 步骤S2-1：基于机器学习的并行参数推荐模块接收计算参数，计算参数具体包括多项式大小N以及同态加密计算类型； 步骤S2-2：模型参数调节模块启动三个参数调节单元调节并行参数推荐模块的推荐模型，所述三个参数调节单元分别为随机搜索调节单元、网格搜索调节单元和贝叶斯搜索调节单元，参数调节单元根据训练数据集分别给出最佳模型参数，提供给并行参数推荐模型，并行参数推荐模型根据测试数据，对三个参数调节单元给出的最佳模型参数进行模型性能测试，并最终选择最优模型参数； 步骤S2-3：并行参数推荐模块根据模型参数和计算参数，对给定多项式大小与同态加密计算类型进行并行参数推荐计算； 首先在性能预测单元对同态加密计算进行性能预测，对三个并行参数进行排列组合，三个并行参数分别为GridSize、BlockSize和GroupSize，其中GridSize的取值范围为1-256，BlockSize的取值范围为1-1024，GroupSize的值为，三个并行参数都为2的幂次，对于给定的计算参数和并行参数排列组合，在训练数据集上对同态加密计算时延Latency进行预测，最优化推荐单元根据预测数据，计算同台机密计算的吞吐性能Throughput，吞吐计算公式为，择优选取最佳性能； 步骤S2-4：基于机器学习的并行参数推荐模块将最佳吞吐性能对应的并行参数传输给基于GPU的同态加密计算优化模块； 基于GPU的同态加密计算优化模块执行高性能计算，包括： 步骤S3-1：基于GPU的同态加密计算优化模块接收计算数据，计算数据包括需要计算的多项式数据、多项式大小N、同态加密计算类型、推荐的并行参数以及预计算数据； 步骤S3-2：访存优化是根据计算数据的计算特性将数据分层放置于GPU的分层内存架构中，需要计算的多项式数据放入全局内存中，将NTT计算表存入纹理内存中，将预计算数据、模数存入常量内存中，计算的中间变量存储在共享内存与寄存器中； 步骤S3-3：并行优化将根据并行参数配置单次计算所需的线程，计算公式为，GPU计算线程启动参数为，并行计算过程中每个线程所需进行批量计算的数据大小，在GPU平台利用uint4进行计算数据的连续拷贝； 步骤S3-4：指令优化将同态加密计算底层算子利用CUDA平台的PTXISA指令集进行实现，底层算子包括64bit加法、64bit乘法、128bit约减、64bit条件减法； 步骤S3-5：基于GPU的同态加密计算优化模块执行优化后的高性能计算，得到同态加密计算结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210000 江苏省南京市栖霞区文苑路9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。