🤖 machine learning

CHEHAB RL: Learning to Optimize Fully Homomorphic Encryption Computations

Dit artikel introduceert CHEHAB RL, een deep reinforcement learning-framework dat de optimalisatie van Fully Homomorphic Encryption-code automatiseert door te leren herschrijfregels voor vectorisatie toe te passen, wat resulteert in aanzienlijk snellere uitvoering, verminderde ruisgroei en veel snellere compilatie vergeleken met de huidige state-of-the-art methoden.

Oorspronkelijke auteurs: Bilel Sefsaf, Abderraouf Dandani, Abdessamed Seddiki, Arab Mohammed, Eduardo Chielle, Michail Maniatakos, Riyadh Baghdadi

Gepubliceerd 2026-01-28

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bilel Sefsaf, Abderraouf Dandani, Abdessamed Seddiki, Arab Mohammed, Eduardo Chielle, Michail Maniatakos, Riyadh Baghdadi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Het "Vergrendelde Doos"-probleem

Stel je voor dat je een zeer waardevol geheim hebt, zoals je bankwachtwoord of een medisch dossier. Je wilt dit naar een vreemde sturen (een cloudserver) om er berekeningen op uit te voeren, maar je bent doodsbang dat diegene in de doos gluurt en je geheim steelt.

Fully Homomorphic Encryption (FHE) is een magische oplossing voor dit probleem. Het is alsof je je gegevens in een vergrendelde, transparante doos plaatst. Je kunt deze doos aan de vreemde geven, en zij kunnen de inhoud schudden, ertegenaan slaan en de inhoud mengen (berekeningen uitvoeren) zonder ooit het slot te openen of te zien wat erin zit. Wanneer ze klaar zijn, geven ze de doos aan jou terug, en jij ontgrendelt het om het resultaat te zien.

De Haken en Oordelen: Deze magie is ongelooflijk traag en rommelig. Rekenen met een vergrendelde doos duurt duizenden keren langer dan rekenen met gewone gegevens. Het is alsof je een taart probeet te bakken terwijl je dikke, onhandige ovenhandschoenen draagt en een blinddoek op hebt.

Het Probleem: Het Recept Schrijven is Moeilijk

Om dit "vergrendelde doos"-rekenen sneller te maken, moeten experts zeer specifieke, laag-niveau code schrijven. Het is alsof je een recept voor een taart probeert te schrijven terwijl je die ovenhandschoenen draagt.

Te Complex: Je moet precies beslissen hoe je de ingrediënten (gegevens) in de doos verpakt zodat ze niet door elkaar raken.
Te Traag: Als je ze verkeerd verpakt, duurt het rekenen eeuwen, of de "ruis" (statische elektriciteit) in de doos wordt zo hard dat het uiteindelijke resultaat waardeloos is.
De Zoekval: Het vinden van de perfecte manier om de gegevens te verpakken is als het zoeken naar een speld in een hooiberg. Bestaande tools proberen de speld te vinden door elke plek één voor één te controleren (een "brute force" zoektocht). Dit duurt lang en blijft vaak steken in een "goed genoeg" plek die eigenlijk niet de beste is.

De Oplossing: CHEHAB RL (De "Slimme Leerling")

De auteurs van dit artikel hebben een nieuwe tool gebouwd genaamd CHEHAB RL. In plaats van te proberen elke mogelijkheid te controleren, hebben ze een computer geleerd hoe te leren met behulp van een techniek genaamd Reinforcement Learning (RL).

Denk aan het trainen van een slimme leerling-kok:

Het Doel: De taak van de leerling is om de ingrediënten in de vergrendelde doos te herschikken zodat de berekeningen zo snel mogelijk verlopen met de minste hoeveelheid "ruis".
De Training: In plaats van de leerling een regelboek te geven, lieten ze de leerling miljoenen verschillende manieren proberen om de ingrediënten te herschikken.
- Als een herschikking de berekening sneller maakt, krijgt de leerling een "beloning" (een traktatie).
- Als het de berekening trager of ruiziger maakt, krijgt de leerling een "boze blik" (een straf).
De Dataset: Om de leerling te onderwijzen, gebruikten de auteurs niet zomaar willekeurige troep. Ze gebruikten een Large Language Model (LLM) — een superintelligente AI getraind op echte programmeercode — om duizenden realistische "oefenrecepten" te genereren. Dit is alsover het de leerling te laten oefenen op echte taarten in plaats van op willekeurige hopen meel en eieren.

Hoe het Werkt: Het "Herschrijvingsspel"

De kern van het systeem is een spel van Lego.

Je hebt een structuur gebouwd van Lego-blokjes (je versleutelde code).
Je hebt een set regels (zoals "vervang deze twee blokjes" of "combineer deze drie tot één").
De RL Agent (de leerling) kijkt naar de structuur en beslist: "Als ik Regel A hier toepas, en daarna Regel B daar, wordt het geheel dan stabieler en sneller?"

De agent leert een policy (een strategie) om deze regels in de perfecte volgorde toe te passen. De agent kijkt niet alleen naar één stap, maar naar het hele plaatje om het beste pad te vinden.

De Resultaten: Snelheid, Stilte en Efficiëntie

Het artikel vergelijkt hun "Slimme Leerling" (CHEHAB RL) met de huidige beste tool, genaamd Coyote. Dit is wat er gebeurde:

Uitvoersnelheid (Het Taart Bakken): De code gegenereerd door CHEHAB RL draaide 5,3 keer sneller dan Coyote. Het was alsof je overstapte van een trage, handmatige oven naar een hogesnelheids-heteluchtoven.
Ruis (De Statische Elektriciteit): De "ruis" in de vergrendelde doos groeide 2,54 keer minder met CHEHAB RL. Dit betekent dat het uiteindelijke resultaat veel duidelijker is en minder snel verpest wordt.
Compilatietijd (Het Recept Schrijven): Misschien wel het meest verrassende resultaat: het duurde 27,9 keer minder tijd voor CHEHAB RL om de geoptimaliseerde code te schrijven dan het voor Coyote duurde om er een zoektocht naar te doen. De leerling leerde de strategie snel, terwijl Coyote nog steeds wanhopig de hooiberg aan het doorzoeken was.

Waarom dit ertoe doet

Het artikel stelt dat dit de eerste keer is dat Reinforcement Learning is gebruikt om dit specifieke probleem van het optimaliseren van FHE-code op te lossen.

Het gaat met rommelige code om: In tegenstelling tot oudere tools die alleen werken met nette, lus-gebaseerde code, kan dit systeem rommelige, ongestructureerde code aan (zoals een warrige kluwen wol).
Het schaalt: Naarmate de problemen groter worden, wordt de "Slimme Leerling" beter in het afhandelen ervan, terwijl de oude "brute force" zoekmethoden steeds langzamer worden.

Samenvattende Analogie

Stel je voor dat je een enorme bibliotheek probeert te organiseren met boeken die allemaal in glazen vitrines zitten.

De Oude Manier (Coyote): Je huurt een team van bibliothecarissen in die elke mogelijke schikking van boeken proberen om te zien welke het snelst is. Ze worden moe, doen er lang over en kiezen vaak een "goede" schikking die eigenlijk niet de beste is.
De Nieuwe Manier (CHEHAB RL): Je huurt een genie als bibliothecaris in die duizenden video's heeft bekeken van andere bibliotheken die georganiseerd werden. Hij leert de patronen van wat werkt. Wanneer je hem een nieuwe bibliotheek geeft, weet hij direct de beste manier om alles te organiseren, wat veel sneller gaat en de boeken makkelijker vindbaar maakt.

Het artikel concludeert dat door deze "lerende" aanpak te gebruiken, we de "vergrendelde doos"-technologie veel praktischer kunnen maken voor echt wereldgebruik, waardoor we complexe berekeningen op privégegevens kunnen uitvoeren zonder dagen te hoeven wachten op het resultaat.

Technische Samenvatting: CHEHAB RL: Leren om de optimalisatie van Fully Homomorphic Encryption-berekeningen te optimaliseren

1. Probleemstelling

Fully Homomorphic Encryption (FHE) maakt berekeningen op versleutelde gegevens mogelijk zonder decryptie, waardoor de privacy behouden blijft. FHE blijft echter computationeel duur; bijvoorbeeld is een ciphertext-vermenigvuldiging bijvoorbeeld $10^6$ keer trager dan zijn plaintext-tegenhanger. Dit prestatieverschil komt voort uit de inherente complexiteit van homomorfe operaties, die gepaard gaan met hoogwaardige polynoomvermenigvuldigingen en aanzienlijke ruisgroei.

Het schrijven van efficiënte FHE-code is een complexe, foutgevoelige taak die diepgaande cryptografische expertise vereist. Hoewel er compilers zijn ontwikkeld om de generatie van FHE-code te automatiseren, kampen bestaande oplossingen met aanzienlijke beperkingen:

Gestructureerde vs. Ongestructureerde Code: Compilers zoals HECO en CHET richten zich op gestructureerde (lusgebaseerde) code, terwijl anderen zoals Coyote en Porcupine proberen zowel gestructureerde als ongestructureerde (arbitraire, niet-lusgebaseerde) code te verwerken.
Complexiteit van de Zoekruimte: Huidige state-of-the-art compilers (bijv. Coyote, Porcupine) formuleren vectorisatie als een combinatorisch zoekprobleem. Ze vertrouwen op handmatig afgestemde heuristieken, Integer Linear Programming (ILP) of programmasynthese om een enorme ontwerpplek te verkennen (bijv. beslissen welke subexpressies te verpakken, datalayout, insertie van rotaties).
Schaalbaarheid en Lokale Optima: In deze complexe ruimte hebben lokale beslissingen vaak niet-lokale effecten (bijv. een verpakkingsbeslissing die toekomstige rotatiekosten verhoogt). Eenvoudige heuristieken raken vaak gevangen in slechte lokale optima, en een volledige zoektocht wordt computationeel onhaalbaar naarmate de programmagrootte toeneemt.

2. Methodologie

Het artikel stelt CHEHAB RL voor, een nieuw framework dat gebruikmaakt van Deep Reinforcement Learning (RL) om FHE-codeoptimalisatie te automatiseren. In plaats van een combinatorische zoektocht, wordt het probleem geformuleerd als een sequentieel besluitvormingsproces waarbij een RL-agent een beleid leert om een reeks herschrijfregels toe te passen.

2.1 Framework Overzicht

CHEHAB RL is geïntegreerd in de CHEHAB FHE-compiler. De workflow is als volgt:

Input: Een programma geschreven in de CHEHAB Domain-Specific Language (DSL), dat wordt verlaagd naar een Intermediate Representation (IR) in de vorm van een Abstract Syntax Tree (AST) en een Dataflow Graph (DAG).
RL Optimalisatie: Een RL-agent doorloopt de IR, selecteert een reeks herschrijfregels uit een Term Rewriting System (TRS) om scalaire code te vectoriseren, expressies te vereenvoudigen en ruis/latentie te minimaliseren.
Output: De geoptimaliseerde IR wordt gebruikt om C++-code te genereren die gericht is op de Microsoft SEAL-backend (BFV-schema).

2.2 Belangrijke Technische Componenten

A. Toestandsrepresentatie

Om de programmarepresentatie (IR) voor de RL-agent weer te geven, maken de auteurs gebruik van Identifier and Constant Invariant (ICI) tokenisatie.

Normalisatie: Variabelen worden hernoemd (bijv. $v_0, v_1$ ) en constanten (behalve 0 en 1) worden geabstraheerd naar generieke tokens ( $c_0, c_1$ ). Dit creëert een canonieke vorm die invariant is voor naamgeving en specifieke constante waarden, waardoor semantisch equivalente programma's in dezelfde representatie worden samengebracht.
Codering: De getokeniseerde sequentie wordt verwerkt door een Transformer encoder (4 lagen, 8 attention heads) om een fixed-length 256-dimensionale embedding te produceren. Deze architectuur werd gekozen boven RNN's (LSTM/GRU) vanwege het superieure vermogen om langetermijnafhankelijkheden in uitgerolde FHE-programma's te modelleren.

B. Actieruimte

De actieruimte is ontworpen om de grote hoeveelheid mogelijke regels en toepassingslocaties te verwerken.

Hiërarchisch Beleid: In plaats van een platte actieruimte (regel + locatie) gebruikt de agent een tweestaps hiërarchisch beleid:
1. Rule Selection Network: Een MLP selecteert welke herschrijfregel moet worden toegepast uit een set van 84 regels.
2. Location Selection Network: Een tweede MLP selecteert de specifieke locatie (match index) in de IR waar de regel wordt toegepast.
Terminatie: Een speciale END-actie stelt de agent in staat om de optimalisatie-episode te beëindigen.

C. Beloningsmodel

De agent wordt getraind om een samengestelde kostenfunctie te minimaliseren die uitvoeringstijd en ruisgroei in evenwicht brengt.

Kostenfunctie: $Cost(e) = w_{ops} \cdot C_{ops}(e) + w_{depth} \cdot D_{circuit}(e) + w_{mult} \cdot D_{mult}(e)$ $C os t (e) = w_{o p s} \cdot C_{o p s} (e) + w_{d e pt h} \cdot D_{c i r c u i t} (e) + w_{m u l t} \cdot D_{m u l t} (e)$ .
- $C_{ops}$ : Gewogen som van operatiekosten (Vector Add: 1, Vector Mul: 100, Rotation: 50, Scalar Ops: 250).
- $D_{circuit}$ : Circuitdiepte.
- $D_{mult}$ : Multiplicatieve diepte (kritiek voor ruisgroei in BFV).
Beloningsstructuur:
- Stapbeloning ( $R_{step}$ ): Onmiddellijke beloning gebaseerd op het percentage reductie in kosten na elke actie.
- Terminale Beloning ( $R_{final}$ ): Een globale beloning gebaseerd op de totale kostenreductie van de initiële naar de finale staat. Dit voorkomt dat de agent lokaal hebzuchtig is en moedigt sequenties aan die globaal optimale circuits opleveren.

D. Synthese van Trainingsdata

Vanwege het gebrek aan bestaande FHE-optimalisatiedatasets hebben de auteurs een trainingsdataset van 15.855 unieke expressies gesynthetiseerd met behulp van een Large Language Model (LLM, Gemini 2.5 Flash).

LLM Begeleiding: De LLM werd geprompt met syntaxisregels, herschrijfregelvoorbeelden en real-world kernelmotieven (bijv. matrixoptelling, kwadratisch verschil) om diverse, optimaliseerbare codepatronen te genereren.
Validatie: Gegenereerde expressies werden gefilterd op syntactische geldigheid, uniciteit (via ICI-tokenisatie) en uitsluiting van benchmarkprogramma's om generalisatie te waarborgen.

E. Trainingsalgoritme

De agent wordt getraind met behulp van het Proximal Policy Optimization (PPO) algoritme op een enkele multi-core CPU gedurende 2 miljoen tijdstappen.

3. Belangrijkste Bijdragen

Formulering: De eerste formulering van FHE-codeoptimalisatie als een sequentieel besluitvormingsprobleem dat oplosbaar is via Reinforcement Learning.
CHEHAB RL Framework: Een nieuw systeem dat automatisch zowel gestructureerde als ongestructureerde FHE-code vectoriseert terwijl het ruisgroei en circuitlatentie minimaliseert. Het schaalt beter dan bestaande combinatorische zoekbenaderingen.
LLM-Gesynthetiseerde Dataset: De creatie en validatie van een grote, diverse trainingsdataset gegenereerd door een LLM, wat aantoont dat trainen op dergelijke data aanzienlijk betere agents oplevert dan trainen op willekeurige programma's.
Prestatiewinsten: Empirisch bewijs dat CHEHAB RL code genereert die 5,3× sneller is in uitvoering, 2,54× minder ruis accumuleert en een compilatietijd heeft die 27,9× sneller is dan de state-of-the-art Coyote compiler (geometrisch gemiddelde).
Open Source: De release van het CHEHAB RL-framework aan de community.

4. Resultaten en Evaluatie

De auteurs hebben CHEHAB RL geëvalueerd tegen Coyote (een state-of-the-art vectoriserende FHE-compiler) op een reeks benchmarks, waaronder beeldverwerkingsfilters, lineaire algebra-kernels en willekeurig gegenereerde irreguliere polynomen.

Executietijd: De door CHEHAB RL gegenereerde code was gemiddeld 5,3× sneller dan die van Coyote. In specifieke gevallen (bijv. Linear Regression 32) bereikte de versnelling 114×. Dit werd toegeschreven aan minder operaties en eenvoudigere datalayouts gevonden door de RL-agent.
Ruisbudget: De gegenereerde circuits verbruikten gemiddeld 2,54× minder ruisbudget. In benchmarks waar Coyote het ruisbudget uitputte en faalde, produceerde CHEHAB RL succesvol geldige, uitvoerbare circuits.
Compilatietijd: Het RL-gebaseerde compilatieproces was 27,9× sneller dan de zoekgebaseerde aanpak van Coyote. Hoewel de RL-agent overhead veroorzaakte voor kleine benchmarks (door de stappen van neurale netwerk-inferentie), toonde het een superieure schaalbaarheid voor grotere circuits waar de combinatorische zoektocht van Coyote onwerkbaar traag werd.
Ablatie-studies:
- LLM vs. Random Data: Agents getraind op LLM-gegenereerde data produceerden circuits die 13× sneller waren op specifieke benchmarks vergeleken met agents getraind op willekeurige data, wat het belang van realistische codepatronen benadrukt.
- Beloningsontwerp: Het combineren van stap- en terminale beloningen presteerde beter dan enkel stapbeloningen, wat lokale optima voorkomt.
- Architectuur: De Transformer encoder presteerde beter dan de GRU-baselines bij het leren van programmarepresentaties, en de hiërarchische actieruimte presteerde beter dan platte actieruimtes wat betreft het leren van snelheid en beloning.

5. Betekenis en Claims

Het artikel beweert dat CHEHAB RL een paradigmaverschuiving in FHE-compilatie vertegenwoordigt. Door over te stappen van heuristiek-gestuurde combinatorische zoektochten naar learning-based policy optimalisatie, pakt het framework de problemen van schaalbaarheid en lokale optima aan die inherent zijn aan eerdere benaderingen.

De auteurs benadrukken dat dit de eerste toepassing van RL om FHE-optimalisatie op te lossen is, waarbij succesvol de afwegingen tussen vectorisatie, cryptografische ruisaccumulatie en operatiekosten worden genavigeerd. Het werk toont aan dat RL-agents effectieve globale strategieën kunnen leren voor code-transformatie die handmatig afgestemde heuristieken en ILP-solvers overtreffen, met name voor ongestructureerde code. De integratie van LLM's voor dataset-synthese onderstreept verder een pad voor het genereren van hoogwaardige trainingsdata in domeinen waar dergelijke data schaars is.

Het artikel concludeert dat CHEHAB RL de praktische adoptie van FHE mogelijk maakt door zowel de runtime van versleutelde berekeningen als de tijd die nodig is om ze te compileren aanzienlijk te verminderen, terwijl de veiligheidsgaranties van het onderliggende cryptografische schema behouden blijven.