GPU-Accelerated Tensor Operations for CKKS-Based CNN Inference on Homomorphically Encrypted Data
تقدم هذه الورقة إطار عمل مُسرَّع بواسطة وحدة معالجة الرسومات (GPU) يدمج مكتبة TenSEAL مع خلفية CUDA مخصصة لمكتبة Troy CKKS، مما يتيح استنتاجاً فعالاً للشبكات العصبية الالتفافية (CNN) المشفرة على مستوى الموترات للأجهزة المدمجة والطرفية، وهو ما يتفوق بشكل كبير على كل من خوادم المعالجات المركزية (CPU) عالية الأداء ونماذج مقارنة تعتمد على وحدة معالجة الرسومات على مستوى العمليات.
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 العصر الرقمي، غالبًا ما تأتي الوعود بالذكاء الاصطناعي مع تكلفة خفية: الحاجة إلى تسليم البيانات الخاصة إلى خادم ليتم معالجتها. وسواء كانت سجلًا طبيًا، أو معاملة مالية، أو صورة شخصية، فإن المعيار الحالي يتطلب فك تشفير المعلومات لفهمها، مما يتركها عرضة للاختراق في هذه العملية. ويقدم التشفير المتماثل (Homomorphic encryption) مخرجًا من هذه المعضلة؛ فهو طريقة رياضية تسمح للكمبيوتر بإجراء حسابات على بيانات تظل مغلقة في حالة مشفرة. يمكن للكمبيوتر جمع الأرقام المشفرة وضربها وتحليلها دون أن يرى القيم الأصلية أبدًا، ليعيد نتيجة تكون، عند فك تشفيرها، مطابقة رياضيًا لما كان سينتج عن البيانات الخام. تحمل هذه التكنولوجيا القدرة على إحداث ثورة في الخصوصية، ولكن لسنوات طويلة، كانت بطيئة جدًا بحيث لا تصلح للاستخدام العملي. فالحسابات المطلوبة لإبقاء البيانات مشفرة أثناء العمل عليها ثقيلة جدًا من الناحية الحسابية، لدرجة أنها قد تستغرق ساعات أو حتى أيامًا لمعالجة صورة واحدة، مما يجعل التكنولوجيا غير مجدية للتطبيقات التي تتطلب وقتًا حقيقيًا مثل التعرف على الوجوه أو تشخيص الأمراض.
لقد طور فريق من الباحثين من إسبانيا والبرتغال الآن نهجًا جديدًا ينقل هذه التكنولوجيا النظرية البطيئة إلى مجال التطبيق العملي، وتحديدًا لتحليل الصور باستخدام الذاء الاصطناعي. لقد ركزوا على نوع معين من التشفير يسمى CKKS، وهو مصمم للتعامل مع الأرقام التقريبية المستخدمة في التعرف على الصور، وبنوا نظامًا لتشغيل هذه الحسابات على وحدات معالجة الرسومات (GPUs). وهذه هي الرقائق القوية الموجودة في أجهزة الكمبيوتر والهواتف الذكية والمصممة للتعامل مع كميات هائلة من البيانات في آن واحد. لم يقم الباحثون بمجرد تسريع الكود الحالي، بل أعادوا التفكير بشكل جذري في كيفية تنظيم الكمبيوتر للعمل. فبدلاً من التعامل مع البيانات المشفرة كسلسلة طويلة من الخطوات الفردية المتتالية، صمموا نظامًا يعالج طبقات كاملة من شبكة تحليل الصور دفعة واحدة. ومن خلال القيام بذلك، أنشأوا جسرًا بين تعليمات البرمجيات عالية المستوى والسرعة الخام للأجهزة الحديثة، مما سمح بإجراء مهام معقدة للتعرف على الصور على بيانات مشفرة في جزء من الوقت الذي كان يُعتقد سابقًا أنه ممكن.
يتضمن جوهر عملهم طريقة تسمى "التنفيذ على مستوى الطبقة" (layer-level execution). في شبكة الذكاء الاصطناعي النموذجية التي تحلل الصور، تمر البيانات عبر سلسلة من المراحل، أو الطبقات. بعض هذه الطبقات تبحث عن الحواف والأشكال، وأخرى تجمع البكسلات المتشابهة معًا، وأخرى تجمع المعلومات لاتخاذ قرار نهائي. في المحاولات السابقة لتشغيل هذه الشبكات على بيانات مشفرة، كان على الكمبيوتر أن يتوقف بعد كل عملية رياضية واحدة، ويعيد تنظيم البيانات، ثم يبدأ الخطوة التالية. هذا التوقف والبدء المستمر خلق اختناقًا هائلًا. النظام الجديد، الذي يتكامل مع إطار برمجيات شهير يسمى TenSEAL، يسمح للكمبيوتر بتنفيذ طبقة كاملة من الشبكة في دفعة واحدة مستمرة. إنه يعامل الصورة المشفرة ليس كمجموعة من الأرقام المنعزلة، بل ككتلة كبيرة ومنظمة يمكن التلاعب بها بالتوازي. هذا يشبه كيف يمكن لأمين مكتبة فرز كتاب واحد مقابل فرز رف كامل من الكتب في وقت واحد؛ فالطريقة الجديدة تسمح للكمبيوتر بفرز الرف بأكمله في آن واحد، بدلاً من التعامل مع كل كتاب على حدة.
لاختبار هذه الفكرة، بنى الباحثون مجموعة من التعليمات المتخصصة، المعروفة باسم "النواة" (kernels)، والتي تخبر بطاقة الرسومات بالضبط كيفية التعامل مع هذه الكتل الكبيرة من البيانات المشفرة. وقد اختبروا نظامهم على نوعين مختلفين من الأجهزة: شريحة خادم عالية الأداء ومدمجة، وشريحة أصغر موفرة للطاقة مصممة للأجهزة الطرفية (edge devices) مثل الطائرات بدون طيار المتقدمة أو المركبات ذاتية القيادة. وقارنوا أداء طريقتهم الجديدة بمعيارين: خادم قياسي قوي يحتوي على ستة وتسعين نواة معالجة، ونسخة قديمة من برنامجهم كانت تعمل على نفس بطاقة الرسومات ولكنها استخدمت النهج البطيء خطوة بخطوة. كانت النتائج مذهلة. فعند معالجة العمليات الرياضية المعقدة المطلوبة للتعرف على الصور، كان النظام الجديد على شريحة الخادم المدمجة أسرع بسبع مرات ونصف مقارنة بالخادم الضخم ذي الستة وتسعين نواة. وعند مقارنته بالطريقة القديمة التي تعمل خطوة بخطوة على نفس بطاقة الرسومات، كان النظام الجديد أسرع بمائتين وثمانية وخمسين مرة لبعض أنواع الحسابات.
لم يتوقف الباحثون عند قياس السرعة الخام فحسب؛ بل تحققوا أيضًا من أن النظام الجديد ينتج نتائج دقيقة. فقد قاموا بتشغيل نموذجين مختلفين للتعرف على الصور، أحدهما مصمم لتحديد الأرقام المكتوبة بخط اليد والآخر لتصنيف الأشياء الصغيرة، عبر نظامهم المشفر. وقارنوا الإجابات النهائية من المعالجة المشفرة مقابل الإجابات من معالجة نفس الصور بدون تشفير. كان الفرق ضئيلاً للغاية. فقد قدم النظام المشفر نفس التنبؤات الصحيحة مثل النظام غير المشفر، مع وجود اختلافات طفيفة متوقعة رياضيًا لم تؤثر على النتيجة النهائية. وقد أكد هذا أن المكاسب في السرعة لم تأتِ على حساب الدقة أو الموثوقية. لقد نجح النظام في الحفاظ على خصوصية البيانات مع تقديم نفس النتائج عالية الجودة مثل الطرق التقليدية.
إن أحد أهم النتائج التي توصلت إليها الدراسة هو أن هذا المستوى من الأداء يمكن تحقيقه حتى على الأجهزة المدمجة والطرفية. لفترة طويلة، كانت التكلفة العالية للتشفير المتماثل تعني أنه لا يمكن تشغيله إلا في مراكز البيانات الضخمة والمستهلكة للطاقة. لقد أثبت الباحثون أن نهجهم المحسن يسمح بتشغيل هذه الحسابات التي تحافظ على الخصوصية بكفاءة على أجهزة أصغر وأكثر قابلية للنقل. وهذا يفتح الباب لتطبيقات لا تحتاج فيها البيانات أبدًا إلى مغادرة الجهاز الذي أُنشئت فيه. إذ يمكن لجهاز طبي تحليل مسح طبي للمريض محليًا دون إرسال الصورة الخام أبدًا إلى خادم سحابي، أو يمكن لكاميرا ذكية التعرف على وجه دون نقل البيانات المرئية إلى قاعدة بيانات مركزية. تثبت الدراسة أن الحاجز الحسابي لم يعد جدارًا لا يمكن عبوره، بل عقبة يمكن تجاوزها بالتصميم المعماري الصحيح.
بينما يقدم النظام الجديد تحسينات دراماتيكية، لاحظ الباحثون أن ليس كل جزء من العملية يستفيد بالتساوي من هذا النهج. فالعمليات الأكثر تعقيدًا، والتي تتضمن إعادة تنظيم البيانات المشفرة للتحضير للخطوة التالية، لا تزال تستهلك قدرًا كبيرًا من الوقت. وفي هذه الحالات المحددة، كانت ميزة الطريقة الجديدة على نهج بطاقة الرسومات القديم أقل وضوحًا، وإن كانت لا تزال جوهرية. وهذا يشير إلى أنه بينما يعد استراتيجية "مستوى الطبقة" قفزة كبيرة للأمام، فلا يزال هناك مجال لمزيد من التطوير في كيفية التعامل مع الأجزاء الأكثر صعوبة من الحساب. ويخطط الباحثون لاستكشاف طرق مختلفة لربط هذه المهام المعقدة بالأجهزة في المستقبل، بهدف استخراج أقصى قدر ممكن من الكفاءة.
يمثل هذا العمل خطوة ملموسة نحو مستقبل لا تكون فيه الخصوصية والأداء متنافيين. فمن خلال إعادة تصميم كيفية انتقال البيانات المشفرة عبر الكمبيوتر، أظهر الفريق أنه من الممكن تشغيل ذكاء اصطناعي متطور على بيانات مغلقة دون التضحية بالسرعة. وتشير النتائج إلى أن عصر التعلم الآلي العملي الذي يحافظ على الخصوصية لم يعد مجرد احتمال نظري بعيد، بل أصبح واقعًا يمكن نشره على الأجهزة المتوفرة لدينا. إن القدرة على معالجة الصور بأمان وسرعة على الأجهزة المدمجة تشير إلى أن الجيل القادم من التطبيقات الآمنة سيكون قادرًا على العمل بشكل مستقل، مما يحافظ على المعلومات الحساسة آمنة مع تقديم الرؤى الذكية التي يتوقعها المستخدمون المعاصرون.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.