Komputasi Jarak Hamming Berbasis Paillier secara Batch atas Embedding Biner

Pengodean terpisah-carry dan klien Paillier berakselerasi GPU yang mencapai 43k enkripsi/s dan 29k dekode jarak Hamming/s pada embedding 512-bit

Yavor Litchev; Liwen Ouyang· 2026· DOI 10.48550/arXiv.2609.21364

Masalah inti

Enkripsi homomorfik aditif memungkinkan komputasi teroutsourcing atas embedding biner terenkripsi, tetapi aritmetika bilangan bulat besar dan perpindahan data sering membatasi throughput. Penulis mengatasi hal ini dengan merancang klien berbasis Paillier yang menggabungkan pengodean biner terpisah-carry, enkripsi berbasis tabel, dekripsi eksponen-tereduksi, aritmetika CUDA/CGBN, status perangkat persisten, dan integrasi pengambilan secara batch. Karya ini menetapkan kebenaran pengodean tersebut dan mencirikan empat konfigurasi klien CPU dan GPU. Konfigurasi lookup menggunakan parameter ukuran eksponen 280-bit. Studi ini membedakan kinerja warm-batch dari latensi permintaan terisolasi dan mengidentifikasi biaya yang tersisa dari inisialisasi, transportasi, dan integrasi pengambilan.

Konfigurasi GPU lookup mencapai throughput batch median 43.091 enkripsi/s dan 28.983 dekode jarak Hamming/s. Biaya teramortisasinya adalah 0,0232 ms per enkripsi dan 0,0345 ms per dekode, yang berkorespondensi dengan faktor percepatan 453,8 dan 200,9 relatif terhadap baseline CPU yang diukur. Hasil ini diperoleh pada 3 uji coba warm-state terhadap batch 10.000 embedding 512-bit acak. Studi ini melaporkan bahwa konfigurasi GPU secara signifikan mengungguli implementasi CPU saja, dengan varian lookup memberikan throughput tertinggi. Penulis mencatat bahwa kinerja warm-batch berbeda dari latensi permintaan terisolasi, dan mereka mengidentifikasi inisialisasi, transportasi, dan integrasi pengambilan sebagai faktor biaya yang tersisa.

Enkripsi homomorfik aditif memungkinkan komputasi teroutsourcing atas embedding biner terenkripsi, tetapi aritmetika bilangan bulat besar dan perpindahan data sering membatasi throughput. Penulis mengatasi hal ini dengan merancang klien berbasis Paillier yang menggabungkan pengodean biner terpisah-carry, enkripsi berbasis tabel, dekripsi eksponen-tereduksi, aritmetika CUDA/CGBN, status perangkat persisten, dan integrasi pengambilan secara batch. Karya ini menetapkan kebenaran pengodean tersebut dan mencirikan empat konfigurasi klien CPU dan GPU. Konfigurasi lookup menggunakan parameter ukuran eksponen 280-bit. Studi ini membedakan kinerja warm-batch dari latensi permintaan terisolasi dan mengidentifikasi biaya yang tersisa dari inisialisasi, transportasi, dan integrasi pengambilan.

Arsitektur klien mengintegrasikan beberapa optimasi. Pengodean biner terpisah-carry memastikan setiap bit dari embedding biner dikodekan sebagai komponen ciphertext terpisah, sehingga komputasi jarak Hamming yang benar di bawah enkripsi Paillier dapat dilakukan. Enkripsi berbasis tabel menghitung pangkat kunci publik terlebih dahulu untuk mempercepat enkripsi. Dekripsi eksponen-tereduksi menurunkan ukuran eksponen menjadi 280 bit untuk konfigurasi lookup, menyeimbangkan keamanan dan kinerja. Aritmetika CUDA/CGBN memanfaatkan paralelisme GPU untuk operasi bilangan bulat besar. Status perangkat persisten menghindari overhead inisialisasi berulang antar batch. Integrasi pengambilan secara batch memproses beberapa vektor secara simultan.

Hasil ini menunjukkan manfaat throughput dari penggabungan prakomputasi kriptografis, eksekusi akselerator secara batch, dan status runtime persisten. Pengodean terpisah-carry memastikan kebenaran sekaligus memungkinkan operasi homomorfik yang efisien. Enkripsi berbasis tabel dan dekripsi eksponen-tereduksi mengurangi overhead komputasi. Aritmetika CUDA/CGBN dan status perangkat persisten meminimalkan perpindahan data dan biaya inisialisasi. Integrasi pengambilan secara batch memungkinkan sistem menangani beberapa vektor secara efisien. Studi ini membedakan kinerja warm-batch dari latensi permintaan terisolasi, menekankan bahwa throughput yang dilaporkan dicapai dalam pemrosesan batch berkelanjutan. Biaya yang tersisa dari inisialisasi, transportasi, dan integrasi pengambilan menunjukkan peluang untuk optimasi lebih lanjut. Penulis menetapkan kebenaran pengodean tersebut dan mencirikan empat konfigurasi klien, memberikan fondasi untuk pekerjaan selanjutnya tentang komputasi embedding biner terenkripsi. Pendekatan ini sangat relevan untuk pembelajaran mesin yang menjaga privasi dan pencocokan biometrik yang aman, di mana embedding biner umum digunakan. Penggunaan enkripsi Paillier memastikan keamanan semantik, sementara optimasi membuat sistem praktis untuk aplikasi skala besar. Kandidat taksonomi (Architecture, Cybersecurity, Network, Cryptography) mencerminkan sifat interdisipliner dari karya ini.

Praktisi dan peneliti ilmu komputer

Membuka konten member…