Resumen Técnico: Reconocimiento Facial Cifrado Ligero, Práctico y con Soporte para GPU

Declaración del Problema

Los sistemas de reconocimiento facial suelen operar bajo una arquitectura cliente-servidor donde un cliente extrae un embedding facial y un servidor realiza una búsqueda de similitud contra una base de datos. Este modelo plantea serias preocupaciones de privacidad, ya que los datos faciales constituyen información de identificación personal (PII) sujeta a regulaciones estrictas. Mientras que los enfoques criptográficos como el Cifrado Totalmente Homomórfico (FHE) permiten la búsqueda de similitud sobre datos cifrados sin revelar el texto plano, los protocolos actuales basados en FHE (específicamente el protocolo de vanguardia HyDia) enfrentan severas limitaciones prácticas.

Los principales cuellos de botella en el reconocimiento facial basado en FHE son:

1. Alta Sobrecarga de Memoria: Los métodos existentes requieren grandes conjuntos de claves de rotación (a menudo $O(\ell)$ donde $\ell$ es la dimensión del vector) para realizar multiplicaciones de matriz-vector diagonales. Esto resulta en un uso excesivo de la memoria RAM tanto en el cliente como en el servidor (por ejemplo, más de 33 GB para bases de datos de hasta 1 millón de entradas), lo que hace que su despliegue en dispositivos de borde (edge) con recursos limitados sea inviable.
2. Latencia Computacional: Las operaciones de FHE, particularmente las rotaciones de criptogramas y el reescalado, están limitadas por el ancho de banda de memoria en las CPU. El offloading ingenuo de operaciones individuales a las GPU suele degradar el rendimiento debido a las costosas transferencias de datos entre el host y el dispositivo, y a las repetidas conversiones entre las estructuras de datos de la CPU (OpenFHE) y la GPU (FIDESlib).

Metodología

Los autores proponen una estrategia de optimización de doble capa dirigida tanto a la eficiencia algorítmica como a la aceleración de hardware a nivel de sistema, construida sobre el protocolo HyDia.

1. Mejora Algorítmica: BSGS-Diagonal

Para abordar el cuello de botella de la memoria y las claves de rotación, los autores introducen BSGS-Diagonal, una variante algorítmica de la estrategia Baby-Step/Giant-Step (BSGS) adaptada para entornos de matrices cifradas.

• Mecanismo: A diferencia del BSGS estándar que asume una matriz de texto plano, BSGS-Diagonal opera sobre matrices de base de datos cifradas. Precalcula todas las rotaciones necesarias del vector de consulta cifrado una sola vez y las reutiliza en todos los grupos de matrices ($G$) de la base de datos.
• Reducción de Claves: Al precalcular las rotaciones de la consulta, el método amortiza el costo de las claves de rotación. Reduce el conjunto de claves de rotación requerido de $\ell-1$ (en HyDia) a aproximadamente $2\sqrt{\ell}$ (específicamente $n_1 + n_2 - 2$ claves).
• Eficiencia de Memoria: Esto reduce el conjunto de claves de rotación del cliente en un 91%, disminuyendo los requisitos de memoria del cliente en aproximadamente 14 GB. También emplea una estrategia de acumulación incremental con multihilo para reducir el uso pico de RAM del servidor.
• Rendimiento: El enfoque mejora el tiempo de ejecución hasta 1.57× para la verificación de membresía y 1.43× para escenarios de identificación en comparación con el HyDia original.

2. Mejora a Nivel de Sistema: Arquitectura Residente en GPU

Para abordar la latencia computacional, los autores diseñan un flujo de trabajo (pipeline) de extremo a extremo residente en GPU utilizando FIDESlib (una biblioteca CKKS acelerada por CUDA) integrada con OpenFHE.

• Principio de Diseño: Minimizar las transferencias entre el host y el dispositivo manteniendo todo el flujo de procesamiento de la consulta (cálculo de similitud, comparación de umbral y agregación) en la GPU. Solo se carga el criptograma de la consulta inicial y se descarga el resultado final.
• Kernels Personalizados: La implementación incluye:
  • Evaluador de Chebyshev Nativo de GPU: Una implementación personalizada utilizando el método de Paterson–Stockmeyer para aproximar la función de signo para la comparación de umbrales enteramente en la GPU, evitando viajes de ida y vuelta a la CPU.
  • Variante BSGS-RTX-TBS: Una variante específica para GPU que utiliza diagonales pre-rotadas (calculadas offline) y rotaciones de giant-step bajo demanda. Esto reduce el conjunto de claves de rotación en línea en la GPU de ~516 claves a ~36, disminuyendo significativamente el uso de VRAM.
  • Relinearización Perezosa (Lazy Relinearization): Relinearización diferida en la acumulación de similitud para optimizar el uso de memoria.
• Variantes: El artículo evalúa tres configuraciones de GPU:
  • HyDia-RTX-DG: Port directo a GPU del HyDia original.
  • BSGS-RTX-TBS: Port a GPU con BSGS y pre-rotación homomórfica en el lado del servidor.
  • BSGS-RTX-TBE: Port a GPU con BSGS y pre-rotación de texto plano en el lado del enrolador (eliminando las claves de rotación negativas).

Principales Contribuciones

El artículo reclama tres contribuciones primordiales:

1. Reducción Significativa de Memoria: El algoritmo BSGS-Diagonal reduce drásticamente los requisitos de claves de rotación (reducción del 91%), disminuyendo la memoria del cliente en ~14 GB y el pico de RAM del servidor hasta 4.5× para bases de datos de hasta $2^{20}$ entradas, permitiendo el despliegue en el borde (edge).
2. Primer Protocolo de Extremo a Extremo Acelerado por GPU: Los autores presentan la primera implementación acelerada por GPU de un protocolo de reconocimiento facial cifrado que soporta tanto membresía como identificación. Esto logra tiempos de ejecución de sub-segundo para bases de datos de hasta $2^{15}$ entradas (y hasta $2^{16}$ con la variante BSGS) mientras reduce el uso de RAM del host.
3. Implementación de Código Abierto: Se proporciona una implementación completa de código abierto basada en OpenFHE y FIDESlib, probada en bases de datos que van desde $2^{10}$ a $10^6$ entradas (CPU) y hasta $2^{16}$ entradas (GPU).

Resultados Experimentales

Los experimentos se realizaron en un Intel Xeon Platinum 8260 (CPU) y una NVIDIA Quadro RTX 8000 / H200 (GPU).

• Rendimiento de CPU (BSGS-Diagonal vs. HyDia):

  • Aceleración (Speedup): Hasta 1.57× más rápido para membresía y 1.43× para identificación.
  • Memoria: El pico de RAM se redujo de >33 GB (HyDia) a <11 GB (BSGS-Diagonal) para 1M de entradas. Las claves de rotación del cliente se redujeron de 511 a 44.
  • Uso de Disco: Reducido hasta en 5×.

• Rendimiento de GPU:

  • Aceleración: Las implementaciones de GPU lograron una aceleración de hasta 9× para HyDia y hasta 21× para la variante BSGS en comparación con las bases de referencia de CPU.
  • Latencia: Logró el reconocimiento facial cifrado en menos de un segundo para bases de datos de hasta $2^{15}$ entradas.
  • Memoria: La variante BSGS-RTX-TBS redujo el uso de memoria pico de la GPU de ~27 GB (HyDia-RTX-DG) a ~9 GB para 8,192 vectores, permitiendo el despliegue en GPUs con 12 GB de VRAM.
  • Escalabilidad: La GPU H200 (141 GB de VRAM) extendió el soporte a bases de datos de tamaño $2^{17}$.

• Precisión:

  • La evaluación en el conjunto de datos FRGC 2.0 (44,228 embeddings) confirmó que el flujo de trabajo cifrado preserva la calidad del reconocimiento.
  • Precisión > 99.95%, Recall ≈ 99.40%, y Exactitud > 99.998%.
  • Reducir la profundidad de la comparación de Chebyshev de $\kappa=10$ a $\kappa=8$ produjo aceleraciones sin una pérdida medible de precisión.

Significado y Reivindicaciones

El artículo posiciona su trabajo como un paso hacia el despliegue práctico del reconocimiento facial que preserva la privacidad en entornos reales con recursos limitados.

• Viabilidad: Al reducir la huella de memoria y la latencia computacional, los autores argumentan que el reconocimiento facial basado en FHE ya no está restringido a servidores de alta gama, sino que puede ser viable para clientes de borde y GPUs de servidores estándar.
• Privacidad: El sistema proporciona garantías criptográficas (basadas en el problema de Aprendizaje con Errores en Anillos o Ring Learning with Errors) en lugar de una ofuscación empírica, protegiendo contra ataques de reconstrucción.
• Ciencia Abierta: Los autores enfatizan el valor de su implementación de código abierto, que integra bibliotecas de vanguardia (OpenFHE, FIDESlib) para proporcionar una base reproducible para la investigación futura en búsqueda cifrada.

Los autores mantienen la modestia, señalando que, si bien su implementación de GPU logra un rendimiento de sub-segundo para bases de datos de hasta $2^{15}$, las bases de datos más grandes aún enfrentan restricciones de memoria en el hardware actual, y los compromisos entre el tiempo de configuración (enrollment) y la latencia de consulta siguen siendo un factor en las decisiones de despliegue.