S2MM：使用同态加密技术实现可扩展的FPGA加速安全矩阵乘法运算

《ACM Transactions on Reconfigurable Technology and Systems》：S2MM: Scalable FPGA Acceleration of Secure Matrix Multiplication with Homomorphic Encryption

　　

摘要 AI 摘要

要查看此 AI 生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

同态加密（HE）允许在加密数据上进行安全计算，从而解决云计算中的隐私问题。然而，HE 操作（特别是矩阵乘法（MM）的高计算成本仍然是其实际部署的主要障碍。加速同态加密矩阵乘法（HE MM）对于诸如保护隐私的机器学习之类的应用至关重要。

在本文中，我们介绍了 S2MM，这是第一个针对 HE MM 设计的可扩展 FPGA 加速器。我们发现，当使用实际的 HE 参数集时，HE MM 主要受到芯片外内存流量的限制。为了分析这一瓶颈，我们开发了一个成本模型，该模型描述了 HE MM 过程中密文在芯片上的内存需求，揭示了基于 CPU 的实现的可扩展性限制。根据这一分析，我们为同态线性变换（HLT）提出了一种新的数据路径，这是 HE MM 中的主要工作负载。所提出的数据路径实现了细粒度的芯片内数据重用，大大减少了芯片外内存流量和芯片内内存需求。为了进一步提高可扩展性，S2MM 支持分块 HE MM，消除了由 HE 编码能力引起的矩阵大小限制，从而能够在大型矩阵上进行高效计算。此外，该架构具有高度可配置性，能够适应不同的矩阵大小和 HE 参数集，同时在各 FPGA 资源限制内最大化吞吐量。我们还引入了一种系统化的配置方法来确定在不同工作负载和平台上进行高效部署的最佳设计参数。我们在 Alveo U280 上实现了 S2MM，并对各种矩阵大小、形状和 HE 参数进行了全面评估。实验结果表明，与最先进的 CPU 和 GPU 实现相比，S2MM 的平均加速比分别为 219 倍和 37.4 倍。我们还在一个应用级的加密 CNN 推理流程中评估了 S2MM，通过加速占主导地位的全连接层实现了 6.08 倍的端到端加速比。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，不是由文章作者撰写或审核的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是文章的官方摘要。全文仍为权威版本。点击此处了解更多关于 ACM AI 摘要的信息。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。这将有助于改进未来的版本。

要查看此 AI 生成的简单语言摘要，您必须具有高级访问权限。