Compiler-Guided Polynomial-Level Parallelism for FHE-Encrypted Machine Learning Inference
تقدم الورقة البحثية CRISP، وهو نهج موجه عبر المترجم (compiler-guided) يتيح التوازي الآمن على مستوى كثير الحدود (polynomial-level parallelism) لاستنتاج تعلم الآلة المشفر باستخدام التشفير المتماثل بالكامل (FHE)، وذلك عبر استبدال متجهية SIMD وقت التشغيل بالتوازي باستخدام OpenMP وقت التصريف، مما يؤدي إلى تسريع كبير وتقليل في زمن الاستجابة ضمن إطار عمل مترجم ANT-ACE.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الرقمي الحديث، غالبًا ما تنتقل المعلومات الحساسة عبر شبكات يتحكم فيها غرباء. قد تقوم مؤسسة مصرفية بمعالجة طلب قرض خاص بك على خادم لا تملكه، أو قد يقوم مستشفى بتحليل سجلات المرضى باستخدام خدمة سحابية يديرها طرف ثالث. في هذه السيناريوهات، تكون البيانات عرضة للخطر؛ فإذا تم اختراق الخادم، ستنكشف المعلومات الخاصة. لعقود من الزمن، كانت الطريقة الوحيدة لحماية البيانات في مثل هذه الحالات هي إبقاؤها دون اتصال بالإنترنت أو الثقة الكاملة في مشغل الخادم. يوفر التشفير المتماثل كليًا (Fully Homomorphic Encryption) مسارًا مختلفًا. فهو طريقة رياضية تسمح للكمبيوتر بإجراء عمليات حسابية على بيانات تظل مغلقة في حالة مشفرة. لا يرى الكمبيوتر الأرقام الفعلية أبدًا؛ بل يتلاعب فقط بالكود المشفر. وعندما تنتهي العملية الحسابية، يتم فك تشفير النتيجة للكشف عن الإجابة الصحيحة، كما لو كان العمل قد تم على البيانات الأصلية غير المشفرة. تعد هذه التكنولوجيا بمستقبل يتم فيه الحفاظ على الخصوصية حتى عندما تتم الحوسبة على بنية تحتية غير موثوقة.
ومع ذلك، فإن هذه الخصوصية تأتي بثمن باهظ. نظرًا لأن الكمبيوتر يجب أن يعمل مع كود مشفر بدلاً من أرقام واضحة، فإن العمليات الحسابية تكون بطيئة للغاية. فالمهمة التي تستغرق جزءًا من الثانية على البيانات العادية يمكن أن تستغرق ساعات أو حتى أيامًا عندما تكون مشفرة. هذا البطء منع استخدام هذه التكنولوجيا في التطبيقات التي تتطلب وقتًا فعليًا، مثل تحليل الصور الطبية أو معالجة المعاملات المالية أثناء حدوثها. يكمن عنق الزجاجة في كيفية تعامل الكمبيوتر مع الكميات الهائلة من العمل الرياضي المطلوب للحفاظ على سلامة التشفير. ولجعل هذه التكنولوجيا عملية، يجب على الباحثين إيجاد طرق لتسريع هذه الحسابات دون كسر قواعد الأمان التي تحافظ على سلامة البيانات.
قام فريق من الباحثين من جامعة هونان والمختبر الرئيسي لمحافظة غوانغدونغ لأمن شبكات أنظمة الطاقة بتطوير طريقة جديدة لمعالجة مشكلة السرعة هذه. لقد أنشأوا نظامًا يسمى CRISP، والذي يعمل كمترجم متخصص لكود الكمبيوتر الذي يشغل هذه الحسابات المشفرة. يركز عملهم على نوع محدد من مخططات التشفير يُعرف باسم CKKS، وهو مستخدم على نطاق واسع في مهام تعلم الآلة. في هذا المخطط، يتم تمثيل البيانات المشفرة كمجموعة من الكائنات الرياضية الكبيرة المسماة "متعددات الحدود" (polynomials). ولإجراء عملية حسابية، يجب على الكمبيوتر معالجة هذه المتعددات من خلال سلسلة من الخطوات التي تتضمن تفكيكها إلى قطع أصغر وإعادة تجميعها. اكتشف الباحثون أن البرامج الموجودة المستخدمة لتشغيل هذه الحسابات لم تكن تستفيد بشكل كامل من قوة معالجات الكمبيوتر الحديثة.
تحتوي معالجات الكمبيوتر الحديثة على نوى متعددة، تشبه فريقًا من العمال، كل منها قادر على أداء وظيفة في وقت واحد. صُمم البرنامج القياسي للحسابات المشفرة لاستخدام تقنية تسمى SIMD، وهي تشبه امتلاك عامل واحد يؤدي مهمة على العديد من العناصر الصغيرة في وقت واحد باستخدام أداة متخصصة. ورغم فعاليتها، إلا أن هذا النهج يحد من عدد العمال الذين يمكنهم العمل في نفس الوقت. أدرك الباحثون أن هيكل الحسابات المشفرة يسمح باستراتيجية مختلفة: فبدلاً من الاعتماد على الأداة المتخصصة لكل عنصر صغير، يمكنهم تعيين قطع كبيرة مختلفة من العمل لعمال مختلفين. لقد طوروا نهجًا موجهًا بواسطة المترجم (compiler-guided approach) يعيد تنظيم الكود قبل تشغيله، مما يسمح للكمبيوتر باستخدام نوى متعددة بشكل أكثر فعالية. هذا التحول من نهج "عامل واحد، عناصر كثيرة" إلى نهج "عمال كثيرون، قطع كثيرة" هو جوهر ابتكارهم.
بنى الباحثون نظامهم، CRISP، فوق مترجم موجود يعمل من البداية إلى النهاية يسمى ANT-ACE. يأخذ هذا المترجم نموذج تعلم آلة، مثل نموذج يستخدم للتعرف على الصور، ويقوم تلقائيًا بتحويله إلى برنامج يمكنه العمل على بيانات مشفرة. قام الفريق بإدراج استراتيجية التوازي الجديدة الخاصة بهم في المرحلة النهائية من هذه العملية، حيث يتم ترجمة البرنامج إلى عمليات متعددة الحدود التي يفهمها مكتبة التشفير. ومن خلال القيام بذلك على مستوى المترجم، استطاعوا رؤية الهيكل الكامل للحساب وضمان أن الطريقة الجديدة لتقسيم العمل لا تنتهك القواعد الصارمة للتشفير. كان عليهم توخي الحذر لأن البيانات المشفرة لها خصائص رياضية محددة يجب الحفاظ عليها؛ فإذا تم تقسيم العمل بشكل غير صحيح، ستكون الإجابة النهائية خاطئة. يقوم منهجهم بتحليل التبعيات بين الأجزاء المختلفة من الحساب بعناية لضمان عدم تداخل العمال المتوازيين مع بعضهم البعض.
كانت نتائج تجاربهم كبيرة. فقد اختبروا النظام على معالج كمبيوتر قياسي متعدد النوى باستخدام ستة نماذج مختلفة لتعلم الآلة المشفرة. وعندما قاموا بتشغيل الحسابات المشفرة باستخدام طريقتهم الجديدة، أصبحت العمليات الرياضية الأساسية أسرع بمعدل 2.65 مرة مقارنة بالطريقة القياسية. كان هذا التسريع ثابتًا عبر أنواع مختلفة من الحسابات، بما في ذلك الجمع والضرب للأرقام المشفرة. وبالنسبة لعملية استنتاج تعلم الآلة بأكملها — وهي الوقت المستغرق لتشغيل نموذج على قطعة واحدة من البيانات — قللت الطريقة الجديدة الوقت الإجمالي بمعدل 137 ثانية مقارنة بأفضل نسخة موجودة. وفي بعض الحالات، كان الانخفاض أكثر دراماتيكية، حيث كان النظام أسرع بنحو سبع مرات لمهام ضرب محددة. تم تحقيق هذه التحسينات دون تغيير مخطط التشفير الأساسي أو طلب أجهزة جديدة؛ فقد جاءت المكاسب بالكامل من طريقة أذكى لتنظيم العمل الحالي.
تحقق الباحثون أيضًا من أن طريقتهم تعمل جيدًا عند دمجها مع تحسينات أخرى. غالبًا ما تتضمن نماذج تعلم الآلة خطوات معقدة حيث يتم دمج عمليات مختلفة معًا لتوفير الوقت. أظهر الفريق أن استراتيجية التوازي الخاصة بهم يمكن أن تتعايش مع تقنيات الدمج هذه، مما يحافظ على فوائد كليهما. اختبروا النظام بما يصل إلى ستة عشر نواة معالج ووجدوا أن الأداء يستمر في التحسن، رغم أن المكاسب بدأت في الاستقرار مع اقتراب النظام من حدود عرض نطاق الذاكرة (memory bandwidth). يشير هذا إلى أن الطريقة تتوسع بشكل جيد مع الأجهزة الأكثر قوة. والأهم من ذلك، أكدوا أن النتائج التي أنتجها النظام الجديد مطابقة رياضيًا للنتائج التي أنتجها النظام القياسي، مما يثبت أن السرعة لم تأتِ على حساب الدقة.
يمثل هذا العمل خطوة عملية نحو جعل تعلم الآلة المشفر قابلًا للاستخدام في العالم الحقيقي. من خلال نقل التحكم في كيفية موازاة الحسابات من مكتبة وقت التشغيل (runtime library) إلى المترجم (compiler)، فتح الباحثون مستوى جديدًا من الأداء كان غير متاح سابقًا. لا يعتمد نهجهم على السحر أو الاختراقات النظرية الجديدة، بل على إعادة تنظيم دقيقة لكيفية استخدام الأدوات الموجودة. تشير النتائج إلى أنه يمكن جعل معالجة البيانات المشفرة سريعة بما يكفي للتطبيقات التي تتطلب نتائج فورية، مثل الكشف عن الاحتيال في الوقت الفعلي أو التشخيص الطبي الخاص. لقد أتاح الفريق تنفيذهم للدراسة والبناء عليه من قبل الآخرين، مما يفتح الباب لمزيد من التحسينات. ومع نمو الطلب على الحوسبة التي تحافظ على الخصوصية، توفر طرق مثل CRISP مسارًا واضحًا لجعل معالجة البيانات الآمنة جزءًا قياسيًا من المشهد الرقمي بدلاً من كونها مجرد إمكانية نظرية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.