この記事では、クラウドインフラにおけるマシンラーニング（ML）モデルの展開に伴うユーザーデータの機密性の重要性に焦点をあてています。ホモモルフィック暗号（HE）は、安全な入力を復号せずに計算を行う暗号手法として注目されていますが、大規模クラウドネイティブパイプラインにおけるHEの統合は、計算負荷やオーケストレーションの複雑さ、モデルの互換性の問題などに制約されています。本研究は、プライバシーを保護するML推論をサポートするHEワークフローの設計と最適化の体系的なフレームワークを提供します。提案されたアーキテクチャは、Kubernetesベースのオーケストレーションによる容器化されたHEモジュールの統合を通じて、弾力的なスケーリングと分散環境下での並列暗号化計算を実現します。さらに、暗号文パッキングや多項式モジュラスの調整、演算子融合などの最適化戦略により、レイテンシやリソース消費を削減しつつ暗号の整合性を保つことが示されています。実験結果は、提案システムが従来のHEパイプラインに比べて推論の加速を最大3.2倍、メモリ使用量を40%削減できることを示しています。