SEAL同态加密库入门与实践指南

可视化演示

SEAL是微软开源的同态加密库，支持在密文上直接进行算术运算，是实现隐私计算的重要工具。本文介绍SEAL的安装... 切换模式查看不同维度。

认识 SEAL：加密计算的手术器械箱

想象一间顶级手术室，所有器械被整齐收纳在标准化的工具箱里：手术刀、持针器、缝合线各有其位。微软开源的 SEAL 库，就是密码学界的这样一套标准化器械箱。它全称 Simple Encrypted Arithmetic Library，专门解决一个问题：如何在加密数据上直接做算术运算。

普通人理解的加密是“锁起来”——数据加密后只能存、不能算，要用时先解密，算完再加密，中途数据暴露在明文状态。SEAL 打破了这一惯例。它基于格密码（Lattice-based Cryptography）中的 RLWE 难题，把“加密”做成了“戴上手套”：数据被装入密文形态后，加法、乘法照常进行，外人看到的只是一堆随机数。

技术上，SEAL 支持两种主流方案：BFV（适用于整数精确计算）和 CKKS（适用于浮点数近似计算）。安装方式也很亲民，C++ 用户可直接编译源码，Python 用户通过 pip install seal 就能装好对应绑定。它的同态性质可以浓缩为一个优雅的等式：

认识了这套器械箱，你就能理解为什么 SEAL 被称为隐私计算领域最趁手的工具之一。接下来，我们走进手术室，看看手套究竟是怎么戴上去的。

加密原理：戴手套的艺术

手术室里有一套铁律：医生戴上手套后，手指的每一次触碰都隔着一层保护膜；只有脱下手套，才能真正碰到肌肤。SEAL 的加密原理与之同构——公钥是别人帮你戴上的手套，私钥是只有你能脱下的那副。

在 SEAL 中，每个参与方拥有一对密钥：公钥（public key）用于加密，私钥（secret key）用于解密。数据持有方用公钥把明文 m 加密成密文 c，然后放心地把 c 交给任何第三方去计算。第三方虽然拿着 c，却像戴着手套的医生一样，能操作、能计算，但“触觉”被完全隔离——他们看到的只是杂乱无章的随机数。

这种隔离来自数学上的 RLWE 难题：密文中混入了精心设计的“噪声”（error term），不掌握私钥的人无法剥离噪声还原明文。每次加密都会引入少量噪声，噪声在运算中不断累积——就像手套戴久了会出汗、变脏，灵敏度逐渐下降。如果噪声超过阈值，解密就会出错。这正是同态加密与普通加密最本质的不同：它把安全性建立在“噪声保护层”之上。

理解了手套的戴脱逻辑，接下来要选手套的型号了。不同的手术需要不同的手套——有的要求精确缝合针数，有的要求灵敏触觉，这就引出了 SEAL 的两大明星方案。

BFV 方案：厚手套里的整数世界

心脏外科手术中，主刀医生需要精确数清缝合的针数，一针不能差。这种场景需要一副厚实但触感精确的手套——BFV 方案正是如此。它专为整数运算设计，加法、乘法的结果在解密后逐比特精确，没有任何四舍五入。

BFV 方案的数学舞台是多项式环，所有数据都被编码成多项式的系数。它通过三个关键参数搭建手术台：多项式模次数 \(N\)（决定手套尺寸）、系数模 \(q\)（决定手套厚度）、明文模量 \(t\)（决定能装的整数范围）。加密时，明文 m 被放大 \(\Delta = \lfloor q/t \rfloor\) 倍后混入噪声；解密时，先对密文多项式求值，再取模、整除，噪声被“挤掉”，精确的整数就浮现出来。

BFV 这副“厚手套”在需要精确计数的场景（如投票统计、金额结算）中无可替代。但机器学习的世界里，数据大多是浮点数——这时候就需要换上另一副更轻薄的手套了。

CKKS 方案：薄手套里的近似世界

如果说 BFV 是厚手套，那 CKKS 就是外科医生最爱的超薄丁腈手套：触感细腻，能感知细微的温差与质地，但代价是“感觉”不可能 100% 准确。CKKS 方案正是为浮点数近似计算而生的，它允许结果存在微小的、可控的误差，换来的是远超 BFV 的计算效率。

CKKS 的核心魔法在于“编码缩放”。浮点数 \(z\) 在加密前先乘上一个缩放因子 \(\Delta\)（比如 \(2^{20}\)），变成大整数再编码进多项式——这就像把精细的触感信号放大，让薄手套也能“摸得清楚”。解密后除以 \(\Delta\)，得到一个非常接近原始值的近似结果。差值就是近似误差 \(e_{approx}\)，它的大小由缩放因子的选择决定：\(\Delta\) 越大，精度越高，但可计算的乘法深度越浅。

选好了手套，接下来就是主刀医生的操作环节——如何用代码把这套流程跑通。

编程实战：主刀医生的操作手册

一场成功的手术离不开标准化的操作流程：核对器械 → 消毒 → 戴手套 → 手术 → 缝合。SEAL 编程同样有一套固定步骤，理解这套流程，你就能独立完成第一场“加密手术”。

首先设置参数与上下文（SEALContext），相当于选择手套的型号和尺寸；然后创建密钥生成器（KeyGenerator），一次性产出公钥、私钥和重线性化密钥；接着实例化加密器（Encryptor）、解密器（Decryptor）和求值器（Evaluator）——它们分别负责“戴手套”“脱手套”和“隔着手套操作”。关键的是重线性化（Relinearization）：密文做完乘法后会像戴了三层手套一样臃肿，重线性化就是换上一副新薄手套，压缩密文尺寸并控制噪声。

SEAL 本身是 C++ 库，Python 用户可通过官方绑定的 seal 模块调用，API 一一对应。性能上，密文尺寸通常是明文的几十倍，运算耗时比明文慢 2 到 4 个数量级，因此参数选择要特别谨慎。一个常用的经验是 \(N=2^{15}=32768\) 配合约 218 比特的系数模，可提供 128 比特安全强度。

流程了然于胸后，就该让这套技术走出手术室，看看真实的业务场景中它如何大显身手。

应用场景：手术室里的真实案例

加密手套最大的价值，是让多个互不信任的机构在“看不见彼此数据”的前提下完成联合计算。就像几位顶尖医生戴着无菌手套同台手术，各自操作、互不干扰，最终缝合出完美伤口。

医疗多中心联合统计是典型场景。三家医院想统计某种罕见病的发病规律，但患者数据属于高度隐私，不能出医院。用 SEAL 让每家医院加密自己的统计量，汇总后统一解密，就能得到全局结论——每个医院的原始数据从未离开本地的“手术室”。金融风控同样受益：银行与第三方数据公司联合建模时，双方将特征密文化后参与计算，既获得模型增益，又不泄露客户隐私。更前沿的还有加密模型推理——用户把输入加密后发给云端，云在密文上运行模型，返回加密结果，用户本地解密。整个过程云端“看不见”用户的输入，实现了真正意义上的隐私 AI 服务。

这些场景共享同一个数学内核：加法同态性让多方贡献可以无损聚合。设有 n 个机构，各自加密自己的数据 \(x_i\)，汇总后的密文解密后正好等于所有数据之和：

场景越真实，越考验工程细节。最后一节，我们来正视那些让新手医生头疼的“术中并发症”。

进阶挑战：手套的损耗与更换

再好的手套也有寿命：手术时间越长，汗水与摩擦让手套的灵敏度持续下降，直到必须更换。同态加密中，这个“寿命”被称为噪声预算（noise budget）。每一次乘法都会让噪声显著放大，当它超过阈值（约等于系数模 q 的一半）时，解密将彻底失败——就像手套破了，手术被迫终止。

应对噪声有三大法宝。第一是优选参数：增加多项式模次数 \(N\) 能提供更大的“通风量”，容纳更多噪声，但计算量也随之上涨；第二是控制乘法深度：设计算法时尽量减少密文乘法次数，把深度换性能；第三是 CKKS 的缩放与重缩放：浮点计算中每做完一层乘法，就通过除以缩放因子把噪声“挤掉”一部分，像定期更换新手套。

实际工程中还要面对安全性与性能的权衡。SEAL 默认推荐 128 比特安全参数，盲目调大参数换精度可能大幅牺牲速度。近年来，SEAL 与 OpenFHE、TFHE 等库各有所长，SEAL 胜在 BFV/CKKS 的成熟稳定，是入门与落地的首选。

至此，从器械箱到手术全流程，你已经掌握了 SEAL 的完整图景。记住这个不等式，它就是你评估任何同态加密方案可行性的第一直觉。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-# SEAL 同态加密库 Python 演示: BFV 方案密文整数加法try:    import sealexcept ImportError:    raise ImportError("请先安装 SEAL-Python: pip install seal")  def main():    # 1. 选择 BFV 方案并设置参数, 相当于挑选手术手套型号    parms = seal.EncryptionParameters(seal.scheme_type.bfv)    parms.set_poly_modulus_degree(4096)    parms.set_coeff_modulus(seal.CoeffModulus.BFVDefault(4096))    parms.set_plain_modulus(seal.PlainModulus.Batching(4096, 20))     # 2. 创建上下文与密钥, 公钥戴手套, 私钥脱手套    context = seal.SEALContext(parms)    keygen = seal.KeyGenerator(context)    public_key = keygen.public_key()    secret_key = keygen.secret_key()    relin_keys = keygen.relin_keys()     # 3. 初始化加解密器与求值器    encryptor = seal.Encryptor(context, public_key)    decryptor = seal.Decryptor(context, secret_key)    evaluator = seal.Evaluator(context)     # 4. 加密两个整数 7 和 5    plain1 = seal.Plaintext("7")    plain2 = seal.Plaintext("5")    cipher1 = seal.Ciphertext()    cipher2 = seal.Ciphertext()    encryptor.encrypt(plain1, cipher1)    encryptor.encrypt(plain2, cipher2)     # 5. 在密文域完成加法, 再重线性化压缩密文    dest = seal.Ciphertext()    evaluator.add(cipher1, cipher2, dest)    evaluator.relinearize_inplace(dest, relin_keys)     # 6. 解密并打印结果    plain_result = seal.Plaintext()    decryptor.decrypt(dest, plain_result)    result = int(plain_result.to_string())    print("密文计算结果: 7 + 5 =", result)  if __name__ == "__main__":    main()

1. parms = seal.EncryptionParameters(seal.scheme_type.bfv)指定使用 BFV 方案，决定“手套”的类型，这里是整数精确型。
2. parms.set_poly_modulus_degree(4096)设置多项式模次数为 4096，相当于确定手套的尺码，尺码越大能容纳的噪声越多。
3. keygen.public_key()` / `keygen.secret_key()生成公钥和私钥，分别负责“戴上手套”与“脱下手套”。
4. seal.Encryptor(context, public_key)创建加密器，所有明文都将从它这里进入密文世界。
5. evaluator = seal.Evaluator(context)创建求值器，它是“隔着手套做手术”的那双手。
6. encryptor.encrypt(plain1, cipher1)把明文 7 加密成密文，数据自此盖上“保护膜”。
7. evaluator.add(cipher1, cipher2, dest)在密文域执行加法，全程无人能看到真正的 7 和 5。
8. evaluator.relinearize_inplace(dest, relin_keys)乘法后“换手套”，把膨胀的密文压缩回标准尺寸，这里对加法同样安全。
9. decryptor.decrypt(dest, plain_result)用私钥解密，脱掉手套，得到精确的整数结果 12。

常见误区

面试题