Portable Acceleration of Learning With Errors KEMs for Post-Quantum Cryptography
Cet article présente une implémentation GPU portable d'un mécanisme d'encapsulation de clé (KEM) basé sur le problème Learning With Errors (LWE) utilisant le déchargement de cible OpenMP, démontrant qu'un code source unique peut atteindre une accélération de performance et une efficacité énergétique substantielles sur des accélérateurs NVIDIA et AMD tout en évitant l'enfermement propriétaire.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de construire un coffre-fort numérique super sécurisé qui ne peut pas être forcé, même par un futur supercalculateur « quantique ». Pour ce faire, vous devez résoudre un casse-tête mathématique énorme et désordonné appelé « Learning With Errors » (LWE). C'est comme essayer de trouver une aiguille spécifique dans une botte de foin, mais la botte de foin est composée de millions de minuscules aimants bruyants, et plus vous cherchez, plus les aimants s'agitent.
Le problème ? Résoudre ces casse-têtes prend un temps infini sur un ordinateur classique. C'est comme essayer de déplacer une montagne de sable grain par grain avec une petite cuillère. Les auteurs de cet article se sont demandé : « Et si nous utilisions une équipe de construction géante et super rapide (un GPU) pour déplacer ce sable ? »
La grande découverte : Un seul code, deux équipes
Habituellement, si vous voulez engager une équipe de construction, vous devez embaucher une équipe spécifique (comme l'équipe CUDA de NVIDIA) et écrire des instructions qu'ils sont les seuls à comprendre. Si vous voulez engager une équipe différente (comme AMD), vous devez réécrire tout le manuel d'instructions. C'est coûteux et agaçant.
Cet article montre que vous pouvez écrire un seul ensemble d'instructions (en utilisant ce qu'on appelle OpenMP Target) qui fonctionne parfaitement pour l'équipe NVIDIA et pour l'équipe AMD. C'est comme écrire une recette qui fonctionne que vous cuisiniez dans une cuisine à gaz ou à électricité, sans changer un seul ingrédient.
Le tour de magie : Rester dans la cuisine
La plus grande perte de temps dans ces casse-têtes mathématiques est de faire des allers-retours entre l'ordinateur principal (le CPU) et le GPU super rapide. C'est comme un chef qui court à la réserve pour chercher du sel pour chaque pincée d'assaisonnement.
Les auteurs ont trouvé comment garder le « sel » (les nombres aléatoires nécessaires pour les calculs) directement à l'intérieur de la cuisine du GPU. Ils ont amélioré un outil appelé RNGonGPU pour qu'il fonctionne avec les équipes NVIDIA et AMD. Désormais, le GPU peut générer tous les nombres aléatoires dont il a besoin sans jamais quitter son siège. Cela permet de maintenir un flux de travail fluide et rapide.
La course : Qui gagne ?
L'équipe a testé leur nouvelle méthode sur quatre ordinateurs super rapides :
- NVIDIA A100 : Un supercalculateur puissant et standard.
- NVIDIA GH200 : Un « SuperChip » massif où le cerveau (CPU) et le muscle (GPU) sont collés ensemble par une autoroute ultra-rapide (NVLink).
- AMD MI300X : Un supercalculateur puissant et standard avec une énorme banque de mémoire.
- AMD MI300A : Une puce où le cerveau et le muscle partagent la même banque de mémoire exacte.
Voici ce qu'ils ont découvert :
- Le boost de vitesse : Lorsque les casse-têtes mathématiques devenaient énormes (avec une taille de 4 096), la version GPU était 120 fois plus rapide que la version sur ordinateur classique. Pour des casse-têtes encore plus grands (taille 16 384), le GPU était toujours fulgurant, tandis que l'ordinateur classique était pratiquement endormi.
- Les gagnants : Le NVIDIA GH200 a été le plus rapide, terminant le travail en environ 60 secondes. L'AMD MI300X arrivait juste derrière, prenant environ 85 secondes. Ces deux machines possèdent d'énormes banques de mémoire rapides (HMB3) capables de déverser des données très rapidement.
- Le perdant surprenant : On pourrait penser que l'AMD MI300A serait excellent car il partage la mémoire entre le cerveau et le muscle. Mais il était en fait le plus lent, prenant 114 secondes. Pourquoi ? Parce que le cerveau et le muscle se disputaient le même tuyau d'arrosage. Pendant que le GPU essayait de déplacer des données, le CPU essayait aussi de faire ses propres calculs, et ils se gênaient mutuellement. C'est comme deux personnes essayant de boire dans la même paille en même temps ; aucune des deux ne peut boire une gorgée complète.
Énergie et chaleur
L'équipe a également vérifié la consommation d'électricité de ces machines. Le NVIDIA GH200 n'a pas seulement terminé plus vite ; il a utilisé moins d'énergie pour accomplir la tâche. Il a fallu environ 9,7 kJ d'énergie pour résoudre le casse-tête, tandis que l'AMD MI300X en a nécessité environ 26,2 kJ. Cela signifie que la machine NVIDIA était environ 2,5 fois plus efficace sur le plan énergétique.
Ce que cela signifie
L'article prouve que vous n'avez pas à choisir un camp entre NVIDIA et AMD pour obtenir une sécurité ultra-rapide. Vous pouvez utiliser un seul code pour fonctionner sur les deux. Cependant, ils ont également montré que posséder une puce rapide ne suffit pas ; la façon dont la mémoire est organisée compte tout autant. Si le cerveau et le muscle se battent pour la même mémoire, l'ensemble du système ralentit.
En résumé, les auteurs ont mesuré que la sécurité portable, accélérée par GPU, n'est pas seulement un rêve — c'est une réalité qui peut rendre les verrous résistants au quantique beaucoup plus rapides et efficaces, à condition de choisir le bon matériel pour éviter les embouteillages sur la voie de la mémoire.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.