Resumo Técnico: Reconhecimento Facial Criptografado Leve, Prático e com Suporte a GPU

Declaração do Problema

Sistemas de reconhecimento facial normalmente operam em uma arquitetura cliente-servidor, onde um cliente extrai um embedding facial e um servidor realiza a busca de similaridade contra um banco de dados. Este modelo levanta preocupações significativas de privacidade, uma vez que os dados faciais constituem informações de identificação pessoal (PII) sujeitas a regulamentações estritas. Embora abordagens criptográficas como a Criptografia Totalmente Homomórfica (FHE) permitam a busca de similaridade sobre dados criptografados sem revelar o texto simples (plaintext), os protocolos baseados em FHE atuais (especificamente o protocolo de última geração HyDia) enfrentam severas limitações práticas.

Os principais gargalos nos atuais sistemas de reconhecimento facial baseados em FHE são:

1. Sobrecarga de Memória Elevada: Métodos existentes exigem grandes conjuntos de chaves de rotação (frequentemente $O(\ell)$, onde $\ell$ é a dimensão do vetor) para realizar multiplicações de matriz-vetor diagonais. Isso resulta em um uso excessivo de RAM tanto no lado do cliente quanto no do servidor (por exemplo, mais de 33 GB para bancos de dados de até 1 milhão de entradas), tornando a implantação em dispositivos de borda (edge) com recursos limitados inviável.
2. Latência Computacional: Operações de FHE, particularmente rotações de criptogramas (ciphertexts) e redimensionamento (rescaling), são limitadas pela largura de banda de memória em CPUs. O offloading ingênuo de operações individuais para GPUs frequentemente degrada o desempenho devido às custosas transferências de dados entre host-dispositivo e conversões repetidas entre as estruturas de dados da CPU (OpenFHE) e da GPU (FIDESlib).

Metodologia

Os autores propõem uma estratégia de otimização de camada dupla visando tanto a eficiência algorítmica quanto a aceleração de hardware em nível de sistema, baseando-se no protocolo HyDia.

1. Melhoria Algorítmica: BSGS-Diagonal

Para abordar o gargalo de memória e de chaves de rotação, os autores introduzem o BSGS-Diagonal, uma variante algorítmica da estratégia Baby-Step/Giant-Step (BSGS) adaptada para configurações de matriz criptografada.

• Mecanismo: Diferente do BSGS padrão que assume uma matriz de texto simples, o BSGS-Diagonal opera sobre matrizes de banco de dados criptografadas. Ele pré-computa todas as rotações necessárias do vetor de consulta criptografado uma única vez e as reutiliza em todos os grupos de matrizes ($G$) no banco de dados.
• Redução de Chaves: Ao pré-computar as rotações da consulta, o método amortiza o custo das chaves de rotação. Ele reduz o conjunto de chaves de rotação necessário de $\ell-1$ (no HyDia) para aproximadamente $2\sqrt{\ell}$ (especificamente $n_1 + n_2 - 2$ chaves).
• Eficiência de Memória: Isso reduz o conjunto de chaves de rotação do cliente em 91%, diminuindo os requisitos de memória do cliente em aproximadamente 14 GB. Também emprega uma estratégia de acumulação incremental com multithreading para reduzir o uso de pico de RAM do servidor.
• Desempenho: A abordagem melhora o tempo de execução em até 1,57× para verificação de pertinência (membership) e 1,43× para cenários de identificação em comparação ao HyDia original.

2. Melhoria de Sistema: Arquitetura Residente em GPU

Para resolver a latência computacional, os autores projetam um pipeline de ponta a ponta residente em GPU usando a FIDESlib (uma biblioteca CKKS acelerada por CUDA) integrada ao OpenFHE.

• Princípio de Design: Minimizar as transferências host-dispositivo mantendo todo o pipeline de processamento de consulta (computação de similaridade, comparação de limiar e agregação) na GPU. Apenas o criptograma de consulta inicial é enviado e o resultado final é baixado.
• Kernels Customizados: A implementação inclui:
  • Avaliador de Chebyshev Nativo de GPU: Uma implementação customizada usando o método de Paterson–Stockmeyer para aproximar a função de sinal para comparação de limiar inteiramente na GPU, evitando idas e voltas à CPU.
  • Variante BSGS-RTX-TBS: Uma variante específica para GPU que utiliza diagonais pré-rotacionadas (computadas offline) e rotações de giant-step sob demanda. Isso reduz o conjunto de chaves de rotação online na GPU de ~516 chaves para ~36, diminuindo significativamente o uso de VRAM.
  • Relinearização Preguiçosa (Lazy Relinearization): Relinearização adiada na acumulação de similaridade para otimizar o uso de memória.
• Variantes: O artigo avalia três configurações de GPU:
  • HyDia-RTX-DG: Portabilidade direta do HyDia original para GPU.
  • BSGS-RTX-TBS: Portabilidade para GPU com BSGS e pré-rotação homomórfica no lado do servidor.
  • BSGS-RTX-TBE: Portabilidade para GPU com BSGS e pré-rotação de texto simples no lado do enrolador (enroller-side), eliminando chaves de rotação negativas.

Principais Contribuições

O artigo reivindica três contribuições primárias:

1. Redução Significativa de Memória: O algoritmo BSGS-Diagonal reduz drasticamente os requisitos de chaves de rotação (redução de 91%), diminuindo a memória do cliente em ~14 GB e o pico de RAM do servidor em até 4,5× para bancos de dados de até $2^{20}$ entradas, permitindo a implantação em dispositivos de borda.
2. Primeiro Protocolo de Ponta a Ponta Acelerado por GPU: Os autores apresentam a primeira implementação acelerada por GPU de um protocolo de reconhecimento facial criptografado que suporta tanto pertinência quanto identificação. Isso alcança tempos de execução sub-segundo para bancos de dados de até $2^{15}$ entradas (e até $2^{16}$ com a variante BSGS) enquanto reduz o uso de RAM do host.
3. Implementação de Código Aberto: Uma implementação completa de código aberto baseada em OpenFHE e FIDESlib é fornecida, testada em bancos de dados variando de $2^{10}$ a $10^6$ entradas (CPU) e até $2^{16}$ entradas (GPU).

Resultados Experimentais

Experimentos foram conduzidos em um Intel Xeon Platinum 8260 (CPU) e NVIDIA Quadro RTX 8000 / H200 (GPU).

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

  • Aceleração (Speedup): Até 1,57× mais rápido para pertinência e 1,43× para identificação.
  • Memória: Pico de RAM reduzido de >33 GB (HyDia) para <11 GB (BSGS-Diagonal) para 1M de entradas. Chaves de rotação do cliente reduzidas de 511 para 44.
  • Uso de Disco: Reduzido em até 5×.

• Desempenho de GPU:

  • Aceleração (Speedup): As implementações de GPU alcançaram até 9× de aceleração para o HyDia e até 21× de aceleração para a variante BSGS em comparação com as bases de CPU.
  • Latência: Alcançou reconhecimento facial criptografado em tempo sub-segundo para bancos de dados de até $2^{15}$ entradas.
  • Memória: A variante BSGS-RTX-TBS reduziu o uso de memória de pico da GPU de ~27 GB (HyDia-RTX-DG) para ~9 GB para 8.192 vetores, permitindo a implantação em GPUs com 12 GB de VRAM.
  • Escalabilidade: A GPU H200 (141 GB de VRAM) estendeu o suporte para bancos de dados de tamanho $2^{17}$.

• Precisão:

  • A avaliação no conjunto de dados FRGC 2.0 (44.228 embeddings) confirmou que o pipeline criptografado preserva a qualidade do reconhecimento.
  • Precisão > 99,95%, Recall ≈ 99,40% e Acurácia > 99,998%.
  • Reduzir a profundidade de comparação de Chebyshev de $\kappa=10$ para $\kappa=8$ gerou acelerações sem perda mensurável de precisão.

Significância e Alegações

O artigo posiciona seu trabalho como um passo em direção à implantação prática do reconhecimento facial preservando a privacidade em ambientes do mundo real com recursos limitados.

• Viabilidade: Ao reduzir a pegada de memória e a latência computacional, os autores argumentam que o reconhecimento facial baseado em FHE não está mais restrito a servidores de alto desempenho, mas pode ser viável para clientes de borda e GPUs de servidores padrão.
• Privacidade: O sistema fornece garantias criptográficas (baseadas no problema Ring Learning with Errors) em vez de obscuridade empírica, protegendo contra ataques de reconstrução.
• Ciência Aberta: Os autores enfatizam o valor de sua implementação de código aberto, que integra bibliotecas de última geração (OpenFHE, FIDESlib) para fornecer uma base reproduzível para pesquisas futuras em busca criptografada.

Os autores permanecem modestos, observando que, embora sua implementação de GPU alcance desempenho sub-segundo para bancos de dados de até $2^{15}$, bancos de dados maiores ainda enfrentam restrições de memória no hardware atual, e os compromissos entre o tempo de configuração (setup) e a latência de consulta permanecem um fator nas escolhas de implantação.