가산 준동형 암호는 암호화된 이진 임베딩에 대한 외부 위탁 계산을 지원하지만, 큰 정수 연산과 데이터 이동이 처리량을 제한하는 문제가 있다. 연구팀은 캐리 분리 이진 인코딩, 테이블 기반 암호화, 축소된 지수 복호화, CUDA/CGBN 연산, 영속적 디바이스 상태, 배치 검색 통합을 결합한 Paillier 기반 클라이언트를 제시하고 인코딩의 정확성을 증명했다. 280비트 지수 크기 파라미터를 쓰는 룩업 구성에서, 512비트 임베딩 1만 개 배치에 대해 3회의 웜스테이트 실험을 수행한 결과 GPU 룩업 구성이 초당 43,091회 암호화와 초당 28,983회 해밍거리 복호를 달성했다. 이는 벡터당 각각 0.0232ms, 0.0345ms의 상각 비용으로, CPU 기준 대비 각각 453.8배, 200.9배에 해당한다. 암호학적 사전계산과 배치 가속기 실행, 영속적 런타임 상태를 결합하면 실질적인 처리량 개선을 얻을 수 있음을 보여준다.
- •캐리 분리 인코딩·테이블 기반 암호화·CUDA/CGBN 연산을 결합한 Paillier 기반 클라이언트를 제시했다
- •GPU 룩업 구성은 512비트 임베딩 배치에서 초당 43,091회 암호화 처리량을 달성했다
- •해밍거리 복호는 초당 28,983회로, CPU 대비 200.9배 빠른 상각 비용을 보였다
- •웜배치 성능과 단발 요청 지연을 구분해 초기화·전송·검색 통합에 남은 병목을 짚었다
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Batched Paillier-Based Hamming-Distance Computation over Binary Embeddings
- 1.Paillier 기반 동형암호로 암호화된 이진 임베딩의 해밍거리 계산을 가속하는 GPU 클라이언트 설계 제시
- 2.캐리분리 이진인코딩·테이블기반암호·CUDA/CGBN 연산·영속 디바이스상태를 결합해 처리량 극대화
- 3.512비트 임베딩 1만개 배치에서 GPU가 초당 43,091회 암호화·28,983회 해밍거리 복호, CPU 대비 최대 453.8배
왜 중요한가?
얼굴·생체인식 등 암호화된 임베딩 유사도 검색은 대용량 정수 연산 때문에 실용성이 낮았는데, GPU 가속과 구현 최적화로 CPU 대비 수백 배의 처리량을 달성해 프라이버시 보존 유사도 검색의 실서비스 적용 가능성을 높인다.
이 논문은 팔리에 동형 암호화 기반의 이진 임베딩에 대한 해밍 거리 배치 연산 효율을 높이는 기술을 설명합니다. 이는 개인정보 보호 컴퓨팅 환경에서 암호화된 데이터를 활용한 AI 모델 학습 및 블록체인 기반의 안전한 데이터 매칭, 유사도 검색을 실용화하는 데 크게 기여합니다. 국내의 엄격한 데이터 보호 규제 속에서 AI와 블록체인 기술의 융합을 통한 새로운 서비스 개발에 중요한 발판이 될 수 있습니다.
본문 미리보기
arXiv:2609.21364v1 Announce Type: new Abstract: Additively homomorphic encryption supports outsourced computation on encrypted binary embeddings, but large-integer arithmetic and data movement can limit throughput. We describe a Paillier-based client that combines a carry-separated binary encoding, table-based encryption, reduced-exponent decryption, CUDA/CGBN arithmetic, persistent device state, and batched retrieval integration. We establish the encoding's correctness and characterize four CP
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:24AI 초안
