💻 computer science

HE-DAP: Homomorphic Encryption-based Dynamic Adaptive Parameter Optimization for Statistical Computation

HE-DAP एक क्रॉस-प्लेटफ़ॉर्म अनुकूलन ढांचा है जो विविध हार्डवेयर वातावरणों में गोपनीयता-संरक्षित सांख्यिकीय विश्लेषण के लिए इनवर्स स्क्वायर रूट गणना को महत्वपूर्ण रूप से त्वरित करने और एंड-टू-एंड प्रदर्शन को बढ़ाने के लिए होमोमोर्फिक एन्क्रिप्शन में बहुपद मूल्यांकन और बूटस्ट्रैपिंग के बीच के ट्रेड-ऑफ को स्वचालित रूप से अनुकूलित करता है।

मूल लेखक: Yun-Soo Park, Hyunmin Choi, Hyoungshick Kim, Mun-Kyu Lee

प्रकाशित 2026-06-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yun-Soo Park, Hyunmin Choi, Hyoungshick Kim, Mun-Kyu Lee

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप अपने एक दोस्त को एक गुप्त संदेश भेजने की कोशिश कर रहे हैं, लेकिन आप इसे केवल एक बहुत ही सख्त, संदिग्ध पोस्ट ऑफिस के माध्यम से ही भेज सकते हैं। यह पोस्ट ऑफिस (जिसे होमोमॉर्फिक एन्क्रिप्शन सिस्टम कहा जाता है) आपको अपने बंद बक्सों के भीतर गणित करने की अनुमति देता है, बिना उन्हें खोले। यह गोपनीयता के लिए बहुत अच्छा है, लेकिन इसमें एक पेंच है: पोस्ट ऑफिस बहुत धीमा है। हर बार जब आप कोई गणना करते हैं, तो बक्से भारी और नाजुक होते जाते हैं। यदि आप बहुत अधिक गणनाएँ करते हैं, तो बक्से टूट सकते हैं, और आपका रहस्य खो सकता है।

इन्वर्स स्क्वायर रूट (inverse square root) को हल करने की समस्या को हल करना इन बंद बक्सों के भीतर एक आम गणितीय समस्या है (इसे "एक भिन्न का वर्गमूल" खोजने के रूप में सोचें)। यह डेटा विश्लेषण के कई कार्यों में एक महत्वपूर्ण कदम है, जैसे कि यह पता लगाना कि कोई विशिष्ट डेटा पॉइंट कितना असामान्य है।

समस्या: एक "एक ही आकार सबके लिए" (One-Size-Fits-All) वाली गलती

पहले, शोधकर्ताओं के पास इन बंद बक्सों के भीतर इन्वर्स स्क्वायर रूट की समस्या को हल करने का एक नुस्खा (recipe) था। वे इसे PP-STAT कहते थे।

PP-STAT को केक बनाने के एक निश्चित नुस्खे की तरह समझें। नुस्खा कहता है: "ठीक 29 कप मैदा लें और ठीक 6 घंटे तक बेक करें।"

समस्या: इस नुस्खे का परीक्षण केवल एक विशिष्ट रसोई (एक विशिष्ट कंप्यूटर चिप जिसे CPU कहा जाता है और एक लाइब्रेरी जिसे Lattigo कहा जाता है) में किया गया था। उस रसोई में, यह नुस्खा ठीक काम करता था।
वास्तविकता: लेकिन क्या होगा अगर आप एक अलग रसोई में चले जाते हैं? शायद आपके पास एक सुपर-फास्ट ओवन (एक GPU) हो या एक अलग प्रकार का चूल्हा (एक अलग सॉफ्टवेयर लाइब्रेरी जिसे HEaaN कहा जाता है) हो। इन नई रसोइयों में, "29 कप मैदा" मिलाने में बहुत समय लग सकता है, जबकि "6 घंटे का बेकिंग समय" वह हिस्सा हो सकता है जो धीमा है।
परिणाम: एक नई रसोई में उसी निश्चित नुस्खे का उपयोग करना अक्षम है। आप शायद 1 घंटे में बेक करने के बजाय 6 घंटे तक सामग्री मिलाने में बिता सकते हैं, या इसके विपरीत। शोध पत्र ने पाया कि कुछ वातावरणों में, पुराना नुस्खा अपनी ज़रूरत से लगभग 6 गुना धीमा था क्योंकि वह गलत समय पर गलत चीज़ कर रहा था।

समाधान: HE-DAP (एक स्मार्ट किचन असिस्टेंट)

लेखकों ने एक नया टूल बनाया जिसे HE-DAP कहा जाता है। HE-DAP को एक स्मार्ट किचन असिस्टेंट की तरह समझें जो केवल एक नुस्खा ही नहीं मानता; बल्कि वह काम शुरू करने से पहले उस रसोई का "स्वाद" भी लेता है।

अपने वास्तविक काम को शुरू करने से पहले, HE-DAP आपके द्वारा उपयोग किए जा रहे विशिष्ट कंप्यूटर और सॉफ्टवेयर पर परीक्षणों की एक त्वरित श्रृंखला चलाता है। यह पूछता है:

"क्या यहाँ मैदा मिलाना (गणित) धीमा है, या बेकिंग का समय (बक्सों को रीसेट करना) धीमा है?"
"यदि मैं कम मैदा इस्तेमाल करूँ लेकिन लंबे समय तक बेक करूँ, तो क्या यह तेज़ होगा?"
"यदि मैं अधिक मैदा इस्तेमाल करूँ लेकिन कम समय तक बेक करूँ, तो क्या यह तेज़ होगा?"

इन परीक्षणों के आधार पर, HE-DAP विशेष रूप से आपके मशीन के लिए एक नया, कस्टम नुस्खा लिखता है। यह तय करता है कि आपको सटीक परिणाम (परफेक्ट केक) प्राप्त करने और सबसे कम समय में काम पूरा करने के लिए ठीक कितना "मैदा" (गणितीय जटिलता) और कितने "बेक" (पुनरावृत्ति/iterations) की आवश्यकता है।

यह कैसे काम करता है (सरल भाषा में)

ट्रेड-ऑफ (Trade-off): गुप्त बक्सों को टूटने से बचाने के लिए, आपके पास दो विकल्प हैं:
- विकल्प A: शुरुआत में ही एक बहुत जटिल गणना करें (जैसे कि एक उच्च-डिग्री बहुपद का उपयोग करना) ताकि एक बेहतरीन शुरुआती अनुमान मिल सके। यह तब तेज़ होता है जब गणना आसान हो, लेकिन तब धीमा होता है जब गणना कठिन हो।
- विकल्प B: एक सरल गणना करें, लेकिन बक्से को "रीसेट" करने के लिए (एक प्रक्रिया जिसे बूटस्ट्रैपिंग कहा जाता) इसका उपयोग करें ताकि वह टूटने से बच सके। यह कुछ रसोइयों में बहुत महंगा है लेकिन कुछ अन्य में सस्ता है।
अनुकूलन (Adaptation): HE-DAP यह पता लगाता है कि आपके विशिष्ट कंप्यूटर के लिए कौन सा विकल्प सस्ता है।
- एक GPU (एक सुपर-फास्ट ग्राफिक्स कार्ड) पर, "रीसेट" बटन अविश्वसनीय रूप से तेज़ है। इसलिए, HE-DAP कहता है, "एक सरल गणना करें और रीसेट बटन को अक्सर दबाएं!"
- एक CPU (एक मानक प्रोसेसर) पर, "रीसेट" बटन धीमा है। इसलिए, HE-DAP कहता है, "शुरुआत में ही एक जटिल गणना करें ताकि हमें रीसेट बटन को उतनी बार न दबाना पड़े!"

परिणाम: तेज़ और स्मार्ट

पेपर ने तीन अलग-अलग प्रकार के कंप्यूटर सेटअप पर इस नए "स्मार्ट असिस्टेंट" का परीक्षण किया:

Lattigo (Standard CPU): इसने प्रक्रिया को 1.96 गुना तेज़ बना दिया।
HEaaN-CPU: इसने प्रक्रिया को 2.18 गुना तेज़ बना दिया।
HEaaN-GPU: इसने प्रक्रिया को 2.35 गुना तेज़ बना दिया।

महत्वपूर्ण बात यह है कि इसने न केवल चीजों को तेज़ बनाया; इसने परिणामों को उतना ही सटीक बनाए रखा। वास्तव में, कुछ मामलों में, यह पुराने निश्चित नुस्खे की तुलना में अधिक सटीक था क्योंकि इसने एक खराब नुस्खे को नई मशीन पर थोपने से होने वाली त्रुटियों से बचा लिया।

यह क्यों मायने रखता है

यह शोध पत्र दिखाता है कि गोपनीयता-संरक्षित डेटा विश्लेषण (privacy-preserving data analysis) के वास्तविक दुनिया में काम करने के लिए, हम केवल एक स्थिर सेट के नियमों का उपयोग नहीं कर सकते। हमें ऐसे सिस्टम की आवश्यकता है जो उनके द्वारा चलाए जा रहे हार्डवेयर के अनुकूल हो सकें। HE-DAP साबित करता है कि इन सेटिंग्स को स्वचालित रूप से ट्यून करके, हम गोपनीयता-संरक्षित सांख्यिकी को व्यावहारिक और कुशल बना सकते हैं, जिससे एक धीमी, बोझिल प्रक्रिया को सुरक्षा या सटीकता से समझौता किए बिना लगभग दोगुना तेज़ बनाया जा सकता है।

संक्षेप में: HE-DAP वह टूल है जो आपको गर्मियों में भारी ऊनी कोट पहनने और सर्दियों में हल्की टी-शर्ट पहनने से रोकता है। यह मौसम (आपके कंप्यूटर के वातावरण) की जांच करता है और आपको काम को जल्दी और सहजता से पूरा करने के लिए सही पोशाक (आपके गणितीय पैरामीटर) देता है।

तकनीकी सारांश: HE-DAP

समस्या विवरण

होमोमोर्फिक एन्क्रिप्शन (HE) एन्क्रिप्टेड डेटा पर गोपनीयता-संरक्षित विश्लेषण (privacy-preserving analytics) को सक्षम बनाता है, लेकिन यह उच्च कम्प्यूटेशनल ओवरहेड से ग्रस्त है। सांख्यिकीय और मशीन लर्निंग वर्कलोड में एक महत्वपूर्ण बाधा इनवर्स स्क्वायर रूट ( $1/\sqrt{a}$ ) की गणना है, जो Z-स्कोर नॉर्मलाइजेशन, स्क्यूनेस (skewness), कर्टोसिस (kurtosis) और पीयरसन सहसंबंध गुणांक (Pearson correlation coefficient) जैसे कार्यों के लिए एक मौलिक ऑपरेशन है।

मौजूदा अत्याधुनिक विधियाँ, जैसे कि PP-STAT [13] और HEaaN-STAT [24], इनवर्स स्क्वायर रूट गणना के लिए निश्चित पैरामीटर कॉन्फ़िगरेशन (fixed parameter configurations) पर निर्भर करती हैं। इन कॉन्फ़िगरेशन में आमतौर पर न्यूटन के मेथड (Newton's method) को इनिशियलाइज़ करने के लिए उपयोग किए जाने वाले चेबिशेव बहुपद (Chebyshev polynomial) की एक विशिष्ट डिग्री और न्यूटन-रैप्सन इटरेशन (Newton-Raphson iterations) की एक निश्चित संख्या शामिल होती है। लेखक इस स्थिर दृष्टिकोण में एक मौलिक दोष की पहचान करते हैं: दो प्राथमिक HE ऑपरेशनों—चेबिशेव बहुपद मूल्यांकन (Chebyshev polynomial evaluation) और बूटस्ट्रैपिंग (bootstrapping - शोर प्रबंधन)—की सापेक्ष कम्प्यूटेशनल लागत विभिन्न HE लाइब्रेरीज़ (जैसे, Lattigo बनाम HEaaN) और हार्डवेयर वातावरण (CPU बनाम GPU) में नाटकीय रूप से भिन्न (6 $\times$ तक) होती है।

परिणामस्वरूप, एक वातावरण (जैसे, CPU पर Lattigo, जहाँ बूटस्ट्रैपिंग धीमी है और उच्च-डिग्री बहुपद पसंद किए जाते हैं) के लिए अनुकूलित कॉन्फ़िगरेशन दूसरे वातावरण (जैसे, HEaaN-GPU, जहाँ बूटस्ट्रैपिंग तेज़ है और बहुपद मूल्यांकन मुख्य बाधा है) में उप-इष्टतम या अक्षम हो जाता है। यह पर्यावरणीय निर्भरता मौजूदा फ्रेमवर्क्स को विषम प्रणालियों (heterogeneous systems) में तैनात करने पर गैर-सामान्य (non-generalizable) और अक्षम बनाती है।

कार्यप्रणाली: HE-DAP

इसे संबोधित करने के लिए, लेखक HE-DAP (Homomorphic Encryption-based Dynamic Adaptive Parameter Optimization) का प्रस्ताव करते हैं, जो एक क्रॉस-प्लेटफॉर्म फ्रेमवर्क है जो विशिष्ट निष्पादन वातावरण (execution environment) के आधार पर इनवर्स स्क्वायर रूट गणना के लिए इष्टतम मापदंडों को स्वचालित रूप से निर्धारित करता है।

मुख्य तंत्र

HE-DAP वास्तविक डेटा प्रोसेसिंग से पहले एक प्रोविजनिंग चरण (provisioning stage) के दौरान लक्षित सर्वर की प्रदर्शन विशेषताओं का प्रोफाइलिंग करता है। यह CryptoInvSqrt एल्गोरिदम के लिए तीन प्रमुख मापदंडों को गतिशील रूप से चुनता है:

$d$ : चेबिशेव बहुपद सन्निकटन (approximation) की डिग्री।
$c$ : प्री-बूटस्ट्रैपिंग (Pre-Bootstrapping) के लिए एक बाइनरी संकेतक (इनवर्स स्क्वायर रूट गणना से पहले इनपुट सिफरटेक्स्ट पर बूटस्ट्रैपिंग लागू करना)।
$i$ : न्यूटन-रैप्सन इटरेशन की संख्या।

एल्गोरिथम वर्कफ़्लो

प्रोफाइलिंग: HE-DAP सभी संभावित इनपुट सिफरटेक्स्ट स्तरों ( $l$ ) का मूल्यांकन करता है जो $l_{BTS} + 1$ से $l_{max}$ तक रेंज में हैं।
सर्च स्पेस अन्वेषण (Search Space Exploration): प्रत्येक स्तर के लिए, यह बहुपद डिग्री ( $d$ $d$ ), प्री-BTS संकेतकों ( $c$ $c$ ), और इटरेशन काउंट ( $i$ $i$ ) के संयोजनों का परीक्षण करता है।
- यदि इनपुट स्तर बहुपद गहराई (polynomial depth) के लिए अपर्याप्त है, तो यह प्री-BTS ( $c=1$ ) पर विचार करता है।
- यदि स्तर पर्याप्त है, तो यह बिना प्री-BTS ( $c=0$ ) के आगे बढ़ता है।
अनुकूलन मानदंड (Optimization Criteria): प्रत्येक संयोजन के लिए, सिस्टम मीन रिलेटिव एरर (MRE) और रनटाइम को मापता है। यह एक लक्षित MRE थ्रेशोल्ड को संतुष्ट करने वाले इष्टतम इटरेशन काउंट ( $i$ ) की पहचान करता है।
पैरामीटर चयन: फ्रेमवर्क प्रत्येक स्तर के लिए दो इष्टतम टुपल्स (tuples) रिकॉर्ड करता है:
- सटीकता-उन्मुख (Accuracy-Oriented): एक सख्त MRE बाधा के अधीन रनटाइम को कम करता है।
- गति-उन्मुख (Speed-Oriented): MRE की परवाह किए बिना रनटाइम को कम करता है (उन अनुप्रयोगों के लिए उपयोगी जो उच्च त्रुटि सहन कर सकते हैं)।
रनटाइम अनुप्रयोग: वास्तविक सांख्यिकीय विश्लेषण के दौरान, सर्वर वर्तमान सिफरटेक्स्ट स्तर के अनुरूप पूर्व-निर्धारित इष्टतम मापदंडों का उपयोग करता है, जिससे मैन्युअल ट्यूनिंग या निश्चित, उप-इष्टतम डिफ़ॉल्ट की आवश्यकता समाप्त हो जाती है।

मुख्य योगदान

HE-DAP फ्रेमवर्क: विविध HE लाइब्रेरीज़ और हार्डवेयर के लिए इनवर्स स्क्वायर रूट ऑपरेशन को स्वचालित रूप से कॉन्फ़िगर करने वाले एक नवीन एडेप्टिव ऑप्टिमाइज़र का परिचय, जो स्थिर, वातावरण-विशिष्ट मापदंडों से दूर ले जाता है।
प्रदर्शन लाभ: यह प्रदर्शित करना कि HE-DAP कोर इनवर्स स्क्वायर रूट गणना को महत्वपूर्ण रूप से तेज करता है। HEaaN-GPU वातावरण में, यह उच्च संख्यात्मक सटीकता (MRE $\le 3.1 \times 10^{-8}$ ) बनाए रखते हुए PP-STAT के निश्चित कॉन्फ़िगरेशन की तुलना में 2.35 $\times$ की गति वृद्धि (speedup) प्राप्त करता है।
व्यापक मूल्यांकन: तीन अलग-अलग सेटिंग्स (Lattigo, HEaaN-CPU, और HEaaN-GPU) और चार मुख्य सांख्यिकीय मापों (Z-score, skewness, kurtosis, Pearson correlation) में एक कठोर मूल्यांकन। परिणाम पुष्टि करते हैं कि HE-DAP लगातार CPU और GPU दोनों वातावरणों के लिए इष्टतम कॉन्फ़िगरेशन खोजता है।
ओपन सोर्स: पुनरुत्पादकता (reproducibility) सुनिश्चित करने के लिए पूर्ण HE-DAP कार्यान्वयन का विमोचन।

प्रयोगात्मक परिणाम

लेखकों ने CKKS स्कीम का उपयोग करके PP-STAT (Lattigo-आधारित) और HEaaN-STAT (GPU-आधारित) के विरुद्ध HE-DAP का मूल्यांकन किया।

इनवर्स स्क्वायर रूट प्रदर्शन:
- HEaaN-GPU: HE-DAP ने स्तर 12 पर PP-STAT को 2.35 $\times$ और स्तर 7 पर 1.79 $\times$ (सटीकता-उन्मुख) की गति प्रदान की, जबकि निश्चित PP-STAT कॉन्फ़िगरेशन की तुलना में। HEaaN-STAT की तुलना में, इसने कम MRE के साथ 2.15 $\times$ तक तेज़ रनटाइम प्राप्त किया।
- HEaaN-CPU: स्तर 12 पर PP-STAT पर 2.18 $\times$ की गति वृद्धि प्राप्त की।
- Lattigo: स्तर 11 पर PP-STAT पर 1.96 $\times$ की गति वृद्धि प्राप्त की, साथ ही बेसलाइन PP-STAT की तुलना में MRE को 79 $\times$ कम किया।
एंड-टू-एंड सांख्यिकीय विश्लेषण:
- वास्तविक दुनिया के डेटासेट (UCI Adult और Medical Cost Insurance) पर ZNorm, Skew, Kurt, PCC जैसे सांख्यिकीय मापों पर HE-DAP को लागू करने से निरंतर त्वरण मिला।
- Adult डेटासेट पर, HE-DAP ने समान MRE बनाए रखते हुए PP-STAT की तुलना में रनटाइम को 42%–44% कम कर दिया।
- Insurance डेटासेट पर, रनटाइम में कमी 44.6% तक पहुँच गई।
ट्रेड-ऑफ विश्लेषण: "स्पीड-ओरिएंटेड" मोड ने MRE की कीमत पर और भी अधिक त्वरण (GPU पर HEaaN-STAT पर 6.34 $\times$ तक) की अनुमति दी, जो विभिन्न अनुप्रयोग आवश्यकताओं के लिए फ्रेमवर्क की लचीलापन को प्रदर्शित करता है।

महत्व और दावे

पेपर दावा करता है कि HE-DAP यह प्रदर्शित करता है कि सिद्धांत-आधारित पैरामीटर अनुकूलन (principled parameter optimization) गोपनीयता-संरक्षित सांख्यिकीय विश्लेषण को बड़े पैमाने पर व्यावहारिक बना सकता है। विषम निष्पादन वातावरणों के अनुकूल होने को स्वचालित करके, HE-DAP मौजूदा फ्रेमवर्क्स में निश्चित मापदंडों के कारण होने वाली अक्षमता को हल करता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण पर्यावरण-जागरूक (environment-aware) है, जो यह स्वीकार करता है कि बहुपद मूल्यांकन और बूटस्ट्रैपिंग के बीच इष्टतम संतुलन सार्वभौमिक नहीं है बल्कि विशिष्ट HE लाइब्रेरी और हार्डवेयर पर निर्भर है। इस ट्रेड-ऑफ को गतिशील रूप से नेविगेट करके, HE-DAP यह सुनिश्चित करता है कि सांख्यिकीय विश्लेषण के मूलभूत घटक (इनवर्स स्क्वायर रूट) को अधिकतम दक्षता के साथ निष्पादित किया जाए, जिससे होमोमोर्फिक एन्क्रिप्शन की गोपनीयता गारंटी से समझौता किए बिना जटिल, एंड-टू-एंड सांख्यिकीय वर्कफ़्लो के प्रदर्शन को बढ़ाया जा सके।

पेपर निष्कर्ष निकालता है कि हालांकि प्रोविजनिंग चरण (पैरामीटर खोज) में एक समय लागत (विशेष रूप से Lattigo जैसे CPU लाइब्रेरीज़ में) आती है, लेकिन यह एक बार का सेटअप खर्च है जो वास्तविक डेटा प्रोसेसिंग चरण के दौरान महत्वपूर्ण, निरंतर प्रदर्शन लाभ प्रदान करता है। भविष्य के कार्य के रूप में गहन मूल्यांकन के बजाय मापने योग्य प्रॉक्सी (proxies) का लाभ उठाकर इस अन्वेषण समय को कम करने का सुझाव दिया गया है।