An accelerated GPU library for efficient homomorphic encryption operations in the CKKS scheme
CKKS şemasının homomorfik şifreleme işlemleri için hızlandırılmış verimli GPU kütüphanesi
- Tez No: 853975
- Danışmanlar: PROF. DR. ERKAY SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mühendislik ve Doğa Bilimleri Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 67
Özet
Homomorfik Şifreleme, şifrelenmiş veriler üzerinde güvenli bir şekilde hesaplama yapmayı sağlayan bir şifreleme metodudur. Günümüzde oluşturulmuş birçok homomorfik şifreleme şemaları arasından en popüler olanından biri de hiç şüphesiz Cheon-Kim-Kim-Song (CKKS) şemasıdır. Bu şema hem tamamen homomorfik şifreleme (FHE) hem de kısmen homomorfik şifreleme (SWHE) için destek sunmaktadır. Bu şemanın en önemli ayrıcalıklarından biri gerçel sayı işleyebilme kabiliyetidir. Bu sayede, hassas hesaplamalar ve karmaşık işlemler gerektiren uygulamaların kullanımı için oldukça uygundur. Bu tezde CKKS şemasının temel işlemleri olan homomorfik toplama, homomorfik çarpma, yeniden doğrusallaştırma, yeniden ölçeklendirme ve döndürme operasyonları nınn GPU ile daha verimli ve hızlı bir şekilde gerçeklenebileceğini gösteriyoruz. Gerçel sayı hesaplamalarını etkin bir şekilde yönetebilmesi ve minimal gürültü artışı ile çeşitli işlemleri desteklemesi CKKS şemasının tercih edilmesindeki başlıca sebeplerdir. Dahası, derin öğrenme modellerinin homomorfik değerlendirmelerini mümkün kılması, CKKS şemasını modern kriptografik uygulamalarda oldukça önemli hale getirmektedir. CKKS şemasını verimli bir şekilde kullanmak için Microsoft Simple Encrypted Arithmetic Library (SEAL) adlı kütüphane referans alınmıştır. Bu kütüphanedeki CPU uygulumasını daha da optimize etmek için Grafik İşlem Birimi'nden (GPU'dan) faydalanarak operasyonlar hızlandırılmıştır. GPU'nun tercih edilme nedeni, homomorfik şifreleme işlemlerinin hesaplama yoğunluğu ve bu işlemleri paralelleştirebilme yeteneğidir. Homomorfik şifreleme algoritmaları, büyük sayılar ile yoğun matematiksel işlemler içermektedir ve GPU'ların, binlerce çekirdekten oluşan mimarileri bu algoritmaların paralel olarak verimli bir sekilde yürütülmesini sağlar. Bu tezdeki GPU uygulamaları RTX 3070 ve RTX 4090 ile yapılmıştır. Adil bir kıyaslama olması için yine güçlü bir CPU olan AMD RYZEN 7 3800X işlemci kullanılmıştır. Elde edilen sonuçlarda SEAL kütüphanesine göre homomorfik toplama işleminde 105.04 kata kadar, homomorfik çarpma işleminde 246.65 kata kadar, yeniden doğrusallaştırma işleminde 161.07 kata kadar, yeniden ölçeklendirme işleminde 113 kata kadar ve döndürme işleminde ise 121.1 kata kadar hızlandırma elde edildiği gözlemlenmiştir. Bu değerler halka boyutu 2^15 ve modülüs bit boyutu 881 iken elde edilmiştir. Ayrıca, farklı çarpan derinliklerine sahip farklı devreler tasarladık ve GPU işlevlerimizi bu devrelere entegre ettik. 2^13 halka boyutu ve 218 bit modülüs için CPU uygulaması ile karşılaştırıldığında 27.81 kata kadar bir hız artışı elde ettik. Bildiğimize kadarıyla, bu çalışma, GPU kütüphanesinin farklı çarpan derinliği devreleri için kullanıldığı literatürdeki ilk çalışmadır. Sonuçlarımız göstermektedir ki homomorfik şifreleme algoritmaları GPU kullanarak gerçek hayata konuşlandırılmasında büyük katkı sağlamaktadır.
Özet (Çeviri)
Homomorphic Encryption is an encryption method that enables secure computation on encrypted data. Among the many homomorphic encryption schemes developed today, one of the most popular is the CKKS scheme, which stands for the Cheon-Kim-Kim-Song scheme. This scheme supports both fully homomorphic encryption (FHE) and somewhat homomorphic encryption (SWHE). One of its most significant advantages is its capability to handle real numbers, making it highly suitable for applications requiring precise calculations and complex operations. This thesis elucidates the fundamental operations of the CKKS scheme, including homomorphic addition, multiplication, linearization, rescale, and rotation, as well as their practical applications. One of the primary reasons for selecting the CKKS scheme can be attributed to its adeptness in managing real-number computations while mitigating noise accumulation, thus facilitating a wide array of operations. Moreover, it enables homomorphic evaluations of deep learning models, making it highly significant in modern cryptographic applications. The Microsoft Simple Encrypted Arithmetic Library (SEAL) is referenced to efficiently utilize the CKKS scheme. This thesis enhances the performance of the fundamental CKKS operations by leveraging the Graphics Processing Unit (GPU) to further optimize the CPU implementation in this library. The GPU is preferred due to its computational density in homomorphic encryption operations and its parallelization ability. Since homomorphic encryption algorithms require intense mathematical operations and extensive computations involving large numbers, the architecture of GPUs, which consists of thousands of cores, enables these algorithms to be efficiently executed in parallel. The experimental evaluations on target GPUs were carried out on the RTX 3070 and RTX 4090. Once again, a powerful CPU, the AMD RYZEN 7 3800X, was employed for a fair comparison. According to the SEAL library, the results revealed acceleration by a factor of up to 105.04 in homomorphic addition, 246.65 in homomorphic multiplication, 161.07 in relinearization, 113 in rescale, and 121.1 in rotation. These values were obtained with a ring size of 2^15 and a modulus bit size of 881. Furthermore, we designed different circuits with various multiplicative depths and implemented our GPU functions into these circuits. We achieved a 27.81-fold speedup compared to CPU implementation in a 2^13 ring size and 218-bit modulus. To the best of our knowledge, this is the first work in the literature where a GPU library is used for different multiplicative depth circuits. Our findings underscore the significant practical impact of homomorphic encryption algorithms when leveraging GPU resources for real-world deployment.
Benzer Tezler
- Skin lesion classification using deep convolutional neural network and HSV color space
Derin evrişimsel sinir ağı ve HSV renk uzayı kullanarak cilt lezyonlarının sınıflandırılması
TAMERLAN NUSRADDINOV
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Computational methods for integer factorization
Çarpanlara ayırma için hesaplamalı yöntemler
DENİZ KIRLIDOĞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- CPU-accelerated earthquake simulations for large scale urban cities
Büyük ölçekli şehirler için CPU ile hızlandırılmış deprem simulasyonları
MERT UYSAL
Yüksek Lisans
İngilizce
2019
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP DEĞER
DOÇ. DR. GİAN PAOLO CİMELLARO
- A GPU library for BFV homomorphic encryption scheme via three different ntt algorithms
Üç farklı hızlandırılmış ntt algortıması kullanarak BFV homomorfık şıfreleme şeması ıçın bır GPU kütüphanesı gelıştırılmesı
ALİ ŞAH ÖZCAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiMühendislik ve Doğa Bilimleri Ana Bilim Dalı
PROF. DR. ERKAY SAVAŞ