A High-Throughput AES-GCM Implementation on GPUs for Secure, Policy-Based Access to Massive Astronomical Catalogs

Resumen Técnico: Una implementación de AES-GCM de alto rendimiento en GPUs para el acceso seguro y basado en políticas a catálogos astronómicos masivos

Planteamiento del Problema
Los sondeos astronómicos modernos, como el Legacy Survey of Space and Time (LSST), generan catálogos de imágenes a escala de petabytes que requieren una seguridad robusta durante los periodos de propiedad antes de su liberación pública. Si bien los principios de que los datos sean Localizables, Accesibles, Interoperables y Reutilizables (FAIR) guían la eventual difusión pública, asegurar los datos durante las fases de embargo presenta un doble desafío: aplicar un control de acceso detallado sin incurrir en penalizaciones de rendimiento prohibitivas. Los métodos de seguridad tradicionales suelen carecer de granularidad o introducen una latencia significativa, creando cuellos de botella para los flujos de trabajo de datos intensivos. Además, los modos de cifrado estándar como el de Contador (CTR) proporcionan confidencialidad pero carecen de una verificación de integridad intrínseca, dejando los datos vulnerables a la manipulación. El principal obstáculo técnico en la implementación de cifrado autenticado (AES-GCM) en GPUs es la naturaleza inherentemente secuencial del hash de autenticación Galois/Counter Mode (GHASH), lo que impide el paralelismo masivo requerido para el procesamiento de alto rendimiento.

Metodología
Los autores proponen GpuFitsCrypt, un marco que integra un motor de políticas flexible con una novedosa implementación, acelerada por GPU, del protocolo AES-128-GCM. El sistema está diseñado para operar dentro del ecosistema Python astronómico existente (Astropy, cfitsio) manteniendo una estricta integridad de los datos.

• Arquitectura: El marco separa el Plano de Control (Motor de Políticas, Módulo de Control de Acceso, Servicio de Gestión de Claves) del Plano de Datos (Módulo Criptográfico). Emplea un flujo de trabajo de "verificar antes de descifrar", donde un Módulo de Control de Acceso valida la identidad del usuario y las reglas de la política antes de recuperar las claves de un KMS externo.
• Formato de Datos: El sistema utiliza un contenedor autenticado compatible con FITS. El archivo FITS original se transforma en una estructura de dos HDU:
  1. HDU Primaria (Contenedor de Metadatos): Contiene cabeceras cifradas (ENCHDR), vectores de inicialización (NONCE_H, NONCE_D) y etiquetas de autenticación. Las palabras clave estructurales críticas (ORIG_*) permanecen en texto plano para permitir el análisis del archivo, pero están vinculadas criptográficamente al texto cifrado mediante Datos Autenticados Asociados (AAD).
  2. Extensión BINTABLE (Contenedor de Datos): La carga útil de los píxeles se cifra y se almacena como un único bloque binario (blob), ocultando la geometría de la imagen a usuarios no autorizados mientras preserva la invarianza científica.
• Mecanismo de Doble Clave: El marco soporta Claves de Cabecera y Claves de Datos independientes. Esto permite escenarios de acceso granular, como permitir consultas de metadatos sin acceso a los píxeles, o proporcionar una cabecera mínima de "respaldo" si la clave de la cabecera es denegada, asegurando que el archivo sea procesable por herramientas estándar incluso bajo acceso restringido.
• Estrategia de Aceleración por GPU: Para superar el cuello de botella secuencial, los autores adaptan una estrategia de reducción de árbol paralelo.
  • GHASH Paralelo: En lugar de una cadena de dependencia lineal $O(N)$, el algoritmo precalcula las potencias de la clave de hash ($H^{2^0}, H^{2^1}, \dots$) y emplea un árbol de reducción binaria. Esto permite que los bloques de datos independientes se procesen de forma concurrente, reduciendo la complejidad a $O(\log N)$.
  • Pipeline: La implementación utiliza flujos (streams) de CUDA asíncronos para superponer las transferencias de memoria host-dispositivo (usando memoria fijada/pinned memory) con la computación criptográfica. Una arquitectura MapReduce gestiona archivos masivos (>600 MB) realizando reducciones parciales en la GPU y combinándolas sin intervención de la CPU.

Contribuciones Clave

1. Adaptación Algorítmica: El artículo presenta la primera adaptación de una estrategia de reducción de árbol paralelo para la función GHASH en GPUs, transformando un proceso secuencial en una operación altamente paralelizable de tiempo logarítmico adecuada para datos a escala de petabytes.
2. Integración Consciente de FITS: A diferencia de las librerías de cifrado genéricas, GpuFitsCrypt produce archivos FITS sintácticamente válidos que se abren limpiamente en Astropy y cfitsio sin modificaciones. Integra las etiquetas de autenticación criptográfica con los mecanismos CHECKSUM/DATASUM del estándar FITS para detectar tanto la manipulación intencionada como la corrupción accidental.
3. Granularidad Basada en Políticas: El marco desacopla la visibilidad de los metadatos de la confidencialidad de los datos mediante una arquitectura de doble clave, soportando políticas de acceso complejas (por ejemplo, embargos temporales, acceso basado en roles) sin requerir el recifrado de los datos.
4. Implementación de Alto Rendimiento: La librería logra rendimientos de cifrado autenticado que igualan las capacidades de E/S de los sistemas de almacenamiento modernos, eliminando efectivamente el cuello de botella criptográfico para el análisis a gran escala.

Resultados
Se realizaron pruebas de rendimiento en una variedad de hardware, desde dispositivos de borde (Jetson Orin) hasta estaciones de trabajo de consumo (RTX 3060, 3090) y aceleradores de centros de datos (H100, A100, L40S).

• Rendimiento (Throughput): En la RTX 3090, el kernel de solo GHASH alcanzó 472 Gbps, aproximadamente 1.91 veces más rápido que las implementaciones previas de vanguardia en GPU (Lee et al., 2025) usando bloques de 16 KB. En la L40S, el rendimiento alcanzó los 664 Gbps.
• Escalabilidad: Para archivos "Grandes" (600 MB), se encontró que el rendimiento estaba limitado por la latencia, con las sobrecargas del sistema (PCIe, lanzamiento de kernel) dominando el tiempo de ejecución, lo que resultó en un rendimiento comparable entre GPUs de consumo y de centros de datos. Sin embargo, para archivos "Extra Grandes" (3.4 GB), el sistema entró en un régimen limitado por el rendimiento, donde las GPUs de centros de datos (H100) demostraron una escalabilidad superior, con costos de Net GCM agrupados entre 6.2 y 6.5 segundos.
• Sobrecarga (Overhead): El costo de añadir autenticación (GCM) comparado con el cifrado no autenticado (CTR) varió entre una ralentización de 1.72x y 4.89x, dependiendo del hardware y el tamaño del archivo. Esto refleja el costo aritmético de las multiplicaciones de campo finito, pero permanece dentro de límites aceptables para flujos de trabajo de alto rendimiento.
• Validez Científica: El análisis fotométrico utilizando el paquete GPUPHOT sobre los datos descifrados confirmó que el marco no introduce artefactos numéricos. Las imágenes descifradas fueron bit a bit idénticas a las originales, preservando los catálogos de fuentes y las propiedades radiométricas (FWHM, flujo) con cero residuales.

Significancia
El artículo afirma que este trabajo resuelve el compromiso histórico entre la seguridad rigurosa y el acceso de alto rendimiento a los datos en astronomía. Al aprovechar el paralelismo de las GPU para superar el cuello de botella de GHASH, el marco permite la gestión segura y basada en políticas de conjuntos de datos astronómicos masivos sin entorpecer los flujos de trabajo de investigación. Proporciona un mecanismo robusto para que los proveedores de datos apliquen políticas de acceso durante los periodos de propiedad, garantizando la confidencialidad e integridad mientras facilita una transición fluida hacia archivos públicos y FAIR. Los autores enfatizan que este enfoque permite la revocación inmediata del acceso mediante actualizaciones de políticas sin necesidad de recifrar petabytes de datos, abordando una necesidad operativa crítica para los observatorios modernos.