💻 computer science

Lightweight, Practical Encrypted Face Recognition with GPU Support

Dieses Paper präsentiert ein leichtgewichtiges, GPU-beschleunigtes verschlüsseltes Gesichtserkennungssystem, das den BSGS-Diagonal-Algorithmus mit fusionierten GPU-Kerneln kombiniert, um signifikante Reduktionen des Speicher-Overheads sowie erhebliche Beschleunigungen gegenüber bestehenden FHE-basierten Protokollen zu erreichen, was eine praktische Ähnlichkeitssuche im Sub-Sekundenbereich auf ressourcenbeschränkten Clients ermöglicht.

Ursprüngliche Autoren: Gabrielle De Micheli, Syed Mahbub Hafiz, Geovandro Pereira, Eduardo L. Cominetti, Thales B. Paiva, Jina Choi, Marcos A. Simplicio, Bahattin Yildiz

Veröffentlicht 2026-06-02

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Gabrielle De Micheli, Syed Mahbub Hafiz, Geovandro Pereira, Eduardo L. Cominetti, Thales B. Paiva, Jina Choi, Marcos A. Simplicio, Bahattin Yildiz

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie möchten eine Hochsicherheits Tür mit Ihrem Gesicht entriegeln. Normalerweise würden Sie ein Foto Ihres Gesichts an einen Server senden, der Ihr Gesicht mit einer riesigen Liste gespeicherter Gesichter vergleicht, um zu sehen, ob Sie übereinstimmen. Das Problem dabei? Das Senden eines Fotos Ihres Gesichts ist so, als würde man einem Fremden eine Kopie seines Ausweises aushändigen; er könnte es stehlen, studieren oder sogar versuchen, Ihr Gesicht aus den Daten zu rekonstruieren.

Um dies zu lösen, verwenden Forscher eine magische „verschlüsselte Black Box“ namens Fully Homomorphic Encryption (FHE). Dies ermöglicht es dem Server, Ihr Gesicht mit seiner Liste zu vergleichen, ohne jemals die tatsächlichen Gesichter zu sehen. Alles bleibt die ganze Zeit über verschlüsselt.

Es gibt jedoch einen Haken: Rechnungen mit verschlüsselten Daten durchzuführen ist unglaublich langsam und erfordert eine enorme Menge an Computerarbeitsspeicher, als würde man versuchen, ein Puzzle zu lösen, während man Ofenhandschuhe trägt und sich in einem winzigen Raum befindet.

Dieses Paper stellt zwei große Upgrades vor, um dieses „verschlüsselte Gesicht-Matching“ praktikabel und schnell genug für den realen Einsatz, selbst auf kleineren Geräten, zu machen.

1. Der „Smart Library“-Trick (BSGS-Diagonal)

Das Problem:
Stellen Sie sich vor, der Server besitzt eine Bibliothek von 1 Million Gesichtsbüchern. Um eine Übereinstimmung zu finden, musste die alte Methode (HyDia) für jedes einzelne Buch einen spezifischen „Rotationsschlüssel“ heranziehen, um zu prüfen, ob es mit Ihrem Gesicht übereinstimmt. Wenn Sie 1 Million Bücher hatten, benötigten Sie auch 1 Million Schlüssel. Dies erforderte eine riesige Menge an Arbeitsspeicher (RAM), als bräuchte man ein ganzes Lagerhaus, nur um die Schlüssel zu speichern.

Die Lösung:
Die Autoren erfanden eine neue Methode namens BSGS-Diagonal. Stellen Sie sich das wie eine „Baby-Step/Giant-Step“-Strategie vor.

Anstatt jedes Buch einzeln mit einem einzigartigen Schlüssel zu prüfen, gruppieren sie die Bücher in „Baby Steps“ (kleine Gruppen) und „Giant Steps“ (große Sprünge).
Sie berechnen im Voraus einige „Master-Keys“, die viele Gruppen gleichzeitig entschlüsseln können.
Das Ergebnis: Sie haben die Anzahl der benötigten Schlüssel um 91 % reduziert.
- Analogie: Anstatt für jede einzelne Tür in einem Wolkenkratzer einen einzigartigen Schlüssel zu benötigen, benötigen Sie nun nur noch einen Generalschlüssel für jede Etage und einen kleinen Satz an Schlüsseln für die Zimmer auf dieser Etage.
- Auswirkung: Dies reduzierte den Speicherbedarf auf der Client-Seite (Ihrem Telefon oder Laptop) um etwa 14 GB und senkte die Spitzenlast des Arbeitsspeichers des Servers um mehr als das Vierfache. Dies macht es möglich, dies auf kleineren Edge-Geräten auszuführen, die nicht über massive Festplatten verfügen.

2. Die „All-in-One“-GPU-Fabrik

Das Problem:
Selbst mit weniger Schlüsseln ist die Durchführung der Berechnungen immer noch langsam. Der alte Weg war wie eine Fabrik, in der ein Arbeiter (die CPU) ein Stück verschlüsselter Daten nimmt, es einem superschnellen Roboter (der GPU) übergibt, um eine einzige Berechnung durchzuführen, es dann wieder zurücknimmt, es einem anderen Roboter übergibt und so weiter. Die Zeit, die durch das Hin- und Hertragen der Daten zwischen dem Hauptgehirn des Computers und der Grafikkarte verloren ging, war enorme Verschwendung.

Die Lösung:
Die Autoren bauten ein neues System, in dem der gesamte Prozess innerhalb der GPU (des superschnellen Roboters) stattfindet.

Die Analogie: Anstatt dass der Arbeiter Teile hin- und hertransportiert, haben sie ein komplettes Fließband innerhalb der Werkstatt des Roboters gebaut. Die Daten gehen hinein, werden verarbeitet, verglichen und die endgültige Antwort kommt heraus, ohne dass sie jemals die Hände des Roboters verlassen.
Sie entwickelten spezielle „Kernel“ (benutzerdefinierte Anweisungen), die viele Schritte zusammenführen, einschließlich eines komplexen mathematischen Tricks namens „Chebyshev-Evaluator“ (verwendet, um zu entscheiden, ob die Gesichter übereinstimmen), direkt auf der Grafikkarte.
Das Ergebnis:
- Das System wurde 9- bis 21-mal schneller als die bisher besten Methoden.
- Es kann nun ein Gesicht gegen eine Datenbank von bis zu 32.000 Einträgen (2^15) in weniger als einer Sekunde prüfen.
- Es spart zudem Speicher auf dem Hauptcomputer (Host), da die schwere Arbeit auf der Grafikkarte erledigt wird.

Zusammenfassung der Leistungen

Privatsphäre zuerst: Ihre Gesichtsbilddaten bleiben die gesamte Zeit über verschlüsselt. Niemand sieht Ihr tatsächliches Gesicht, nicht einmal der Server.
Speicherretter: Durch den „Smart Library“-Trick haben sie den benötigten Speicher um über 90 % gesenkt, was die Nutzung auf kleineren Geräten ermöglicht.
Geschwindigkeitsmonster: Durch die Verlagerung des gesamten Prozesses auf die GPU und das Verbleiben der Daten dort, haben sie das System fast 20-mal schneller gemacht und eine „Sub-Sekunden-Erkennung“ erreicht.
Einsatzbereit für die reale Welt: Sie haben dies an echten Gesicht-Datensätzen (FRGC 2.0) getestet und bewiesen, dass es genauso genau arbeitet wie nicht-verschlüsselte Methoden, mit einer Präzision von über 99,9 %.

Kurz gesagt: Die Autoren haben ein System zur gesichtsbasierte Gesichtserkennung mit Wahrung der Privatsphäre, das für die praktische Anwendung zu schwerfällig und langsam war, mit einem klügeren Algorithmus entlastet und mit einem neuen GPU-Workflow beschleunigt, wodurch es schnell und effizient genug für reale Anwendungen wurde.

Technisches Resümee: Leichtgewichtige, praktische verschlüsselte Gesichtserkennung mit GPU-Unterstützung

Problemstellung

Gesichtserkennungssysteme arbeiten typischerweise in einer Client-Server-Architektur, bei der ein Client ein Gesichtsembedding extrahiert und ein Server eine Ähnlichkeitssuche gegen eine Datenbank durchführt. Dieses Modell wirft erhebliche Datenschutzbedenken auf, da Gesichtsbilddaten personenbezogene Daten (PII) darstellen, die strengen Regulierungen unterliegen. Während kryptographische Ansätze wie die vollhomomorphe Verschlüsselung (FHE) eine Ähnlichkeitssuche über verschlüsselte Daten ermöglichen, ohne die Klartextdaten preiszugeben, stehen bestehende FHE-basierte Protokolle (speziell das aktuelle State-of-the-Art-Protokoll HyDia) vor schwerwiegenden praktischen Einschränkungen.

Die primären Engpässe in der aktuellen FHE-basierten Gesichtserkennung sind:

Hoher Speicherbedarf: Bestehende Methoden erfordern große Mengen an Rotationsschlüsseln (oft $O(\ell)$ , wobei $\ell$ die Vektordimension ist), um Diagonalsmatrix-Vektor-Multiplikationen durchzuführen. Dies führt zu einem übermäßigen RAM-Verbrauch sowohl auf der Client- als auch auf der Serverseite (z. B. über 33 GB für Datenbanken mit bis zu 1 Million Einträgen), was den Einsatz auf ressourcenbeschränkten Edge-Geräten unmöglich macht.
Rechenlatenz: FHE-Operationen, insbesondere Ciphertext-Rotationen und Rescaling, sind CPU-seitig speicherbandbreitenbeschränkt. Eine naive Auslagerung einzelner Operationen auf GPUs verschlechtert die Leistung oft aufgrund kostspieliger Host-Device-Datentransfers und wiederholter Konvertierungen zwischen CPU- (OpenFHE) und GPU- (FIDESlib) Datenstrukturen.

Methodik

Die Autoren schlagen eine duale Optimierungsstrategie vor, die sowohl auf algorithmische Effizienz als auch auf systemseitige Hardwarebeschleunigung abzielt und auf dem HyDia-Protokoll aufbaut.

1. Algorithmische Verbesserung: BSGS-Diagonal

Um den Speicher- und Rotationsschlüssel-Engpass zu adressieren, führen die Autoren BSGS-Diagonal ein, eine algorithmische Variante der Baby-Step/Giant-Step (BSGS)-Strategie, die speziell auf verschlüsselte Matrix-Settings zugesgemessen ist.

Mechanismus: Im Gegensatz zum Standard-BSGS, das eine Klartextmatrix voraussetzt, operiert BSGS-Diagonal auf verschlüsselten Datenbankmatrizen. Es präkomputiert alle notwendigen Rotationen des verschlüsselten Query-Vektors einmalig und nutzt diese über alle Matrixgruppen ( $G$ ) in der Datenbank wieder.
Schlüsselreduktion: Durch die Präkomputation der Query-Rotationen amortisiert die Methode die Kosten der Rotationsschlüssel. Sie reduziert den erforderlichen Rotationsschlüssel-Satz von $\ell-1$ (in HyDia) auf etwa $2\sqrt{\ell}$ (speziell $n_1 + n_2 - 2$ Schlüssel).
Speichereffizienz: Dies reduziert den Client-seitigen Rotationsschlüssel-Satz um 91 % und senkt die Client-Speicheranforderungen um etwa 14 GB. Zudem wird eine inkrementelle Akkumulationsstrategie mit Multi-Threading eingesetzt, um den Spitzen-RAM-Verbrauch des Servers zu reduzieren.
Leistung: Der Ansatz verbessert die Laufzeit um bis zu 1,57× für die Verifizierungsprüfung (Membership Verification) und um 1,43× für Identifikationsszenarien im Vergleich zum ursprünglichen HyDia.

2. Systemseitige Verbesserung: GPU-Residente Architektur

Um die Rechenlatenz zu adressieren, entwerfen die Autoren eine durchgängige GPU-resistente Pipeline unter Verwendung von FIDESlib (einer CUDA-beschleunigten CKKS-Bibliothek), die in OpenFHE integriert ist.

Designprinzip: Minimierung der Host-Device-Transfers, indem die gesamte Query-Verarbeitungspipeline (Ähnlichkeitsberechnung, Schwellenwertvergleich und Aggregation) auf der GPU verbleibt. Nur der initiale Query-Ciphertext wird hochgeladen, und das Endergebnis wird heruntergeladen.
Custom Kernels: Die Implementierung umfasst:
- GPU-Nativer Chebyshev-Evaluator: Eine benutzerdefinierte Implementierung unter Verwendung der Paterson–Stockmeyer-Methode zur Approximation der Signum-Funktion für den Schwellenwertvergleich vollständig auf der GPU, um CPU-Round-trips zu vermeiden.
- BSGS-RTX-TBS Variante: Eine GPU-spezifische Variante, die vor-rotierte Diagonalen (offline berechnet) und On-Demand Giant-Step-Rotationen nutzt. Dies reduziert den Online-Rotationsschlüssel-Satz auf der GPU von ~516 Schlüsseln auf ~36, was den VRAM-Verbrauch erheblich senkt.
- Lazy Relinearization: Verzögerte Relinearisierung in der Ähnlichkeitsakkumulation zur Optimierung des Speicherverbrauchs.
Varianten: Das Paper evaluiert drei GPU-Konfigurationen:
- HyDia-RTX-DG: Direkter GPU-Port des ursprünglichen HyDia.
- BSGS-RTX-TBS: GPU-Port mit BSGS und serverseitiger homomorpher Prä-Rotation.
- BSGS-RTX-TBE: GPU-Port mit BSGS und Enroller-seitiger Klartext-Prä-Rotation (Eliminierung negativer Rotationen).

Hauptbeiträge

Das Paper beansprucht drei primäre Beiträge:

Signifikante Speicherreduktion: Der BSGS-Diagonal-Algorithmus reduziert die Anforderungen an Rotationsschlüssel drastisch (91 % Reduktion), senkt den Client-Speicher um ~14 GB und den Spitzen-Server-RAM um bis zu 4,5× für Datenbanken bis zu $2^{20}$ Einträgen, was den Einsatz am Edge ermöglicht.
Erster GPU-beschleunigter End-to-End-Protokoll: Die Autoren präsentieren die erste GPU-beschleunigte Implementierung eines verschlüsselten Gesichtserkennungsprotokolls, das sowohl Membership- als auch Identifikationsszenarien unterstützt. Dies erreicht Ausführungszeiten im Sub-Sekundenbereich für Datenbanken bis zu $2^{15}$ Einträgen (und bis zu $2^{16}$ mit der BSGS-Variante), während der Host-RAM-Verbrauch reduziert wird.
Open-Source-Implementierung: Eine vollständige Open-Source-Implementierung basierend auf OpenFHE und FIDESlib wird bereitgestellt, getestet auf Datenbanken von $2^{10}$ bis $10^6$ Einträgen (CPU) und bis zu $2^{16}$ Einträgen (GPU).

Experimentelle Ergebnisse

Experimente wurden auf einem Intel Xeon Platinum 8260 (CPU) und einer NVIDIA Quadro RTX 8000 / H200 (GPU) durchgeführt.

CPU-Leistung (BSGS-Diagonal vs. HyDia):
- Speedup: Bis zu 1,57× schneller für Membership und 1,43× für Identifikation.
- Speicher: Der Spitzen-RAM wurde von >33 GB (HyDia) auf <11 GB (BSGS-Diagonal) für 1 Mio. Einträge reduziert. Die Client-Rotationsschlüssel wurden von 511 auf 44 reduziert.
- Speichernutzung (Disk): Um bis zu 5× reduziert.
GPU-Leistung:
- Speedup: Die GPU-Implementierungen erreichten einen Speedup von bis zu 9× für HyDia und bis zu 21× für die BSGS-Variante im Vergleich zu den CPU-Baselines.
- Latenz: Erreichte eine verschlüsselte Gesichtserkennung im Sub-Sekundenbereich für Datenbanken bis zu $2^{15}$ Einträge.
- Speicher: Die BSGS-RTX-TBS-Variante reduzierte den Spitzen-GPU-Speicherverbrauch von ~27 GB (HyDia-RTX-DG) auf ~9 GB für 8.192 Vektoren, was den Einsatz auf GPUs mit 12 GB VRAM ermöglicht.
- Skalierbarkeit: Die H200 GPU (141 GB VRAM) erweiterte die Unterstützung auf Datenbanken der Größe $2^{17}$ .
Genauigkeit:
- Die Evaluierung auf dem FRGC 2.0 Datensatz (44.228 Embeddings) bestätigte, dass die verschlüsselte Pipeline die Erkennungsqualität beibehält.
- Precision > 99,95 %, Recall ≈ 99,40 % und Accuracy > 99,998 %.
- Die Reduzierung der Chebyshev-Vergleichstiefe von $\kappa=10$ auf $\kappa=8$ lieferte Speedups ohne messbaren Genauigkeitsverlust.

Bedeutung und Ansprüche

Das Paper positioniert seine Arbeit als Schritt in Richtung der praktischen Implementierung von datenschutzwahrender Gesichtserkennung in realen, ressourcenbeschränkten Umgebungen.

Machbarkeit: Durch die Reduzierung des Speicher-Footprints und der Rechenlatenz argumentieren die Autoren, dass eine FHE-basierte Gesichtserkennung nicht mehr auf High-End-Server beschränkt ist, sondern für Edge-Clients und Standard-Server-GPUs praktikabel sein kann.
Datenschutz: Das System bietet kryptographische Garantien (basierend auf dem Ring Learning with Errors Problem) statt empirischer Verschleierung, was vor Rekonstruktionsangriffen schützt.
Open Science: Die Autoren betonen den Wert ihrer Open-Source-Implementierung, die State-of-the-Art-Bibliotheken (OpenFHE, FIDESlib) integriert, um eine reproduzierbare Baseline für zukünftige Forschung im Bereich der verschlüsselten Suche zu bieten.

Die Autoren bleiben bescheiden und merken an, dass, obwohl ihre GPU-Implementierung eine Sub-Sekunden-Performance für Datenbanken bis zu $2^{15}$ erreicht, größere Datenbanken weiterhin Speicherbeschränkungen auf aktueller Hardware unterliegen und die Trade-offs zwischen Setup-Zeit (Enrollment) und Query-Latenz ein Faktor bei der Wahl der Implementierung bleiben.