論文の概要: Taking Cryptography Out of the Data Path via Near-Memory Processing in DRAM

• arxiv url: http://arxiv.org/abs/2605.20047v1
• Date: Tue, 19 May 2026 16:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.509617
• Title: Taking Cryptography Out of the Data Path via Near-Memory Processing in DRAM
• Title（参考訳）: DRAMにおけるニアメモリ処理によるデータパスからの暗号抽出
• Authors: Nicola Barcarolo, Brahmaiah Gandham, Mohammad Sadrosadati, Roberto Passerone, Onur Mutlu, Flavio Vella,
• Abstract要約: AES-128やSHA-256のような暗号アルゴリズムは、データのセキュリティと整合性を保証するのに不可欠である。 プロセッシング・イン・メモリ(PIM)は有望なアーキテクチャパラダイムとして登場した。 暗号アルゴリズムの高速化における実世界のPIMの可能性と限界について検討する。
• 参考スコア（独自算出の注目度）: 6.779726319389449
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cryptographic algorithms such as AES-128 and SHA-256 are fundamental to ensuring data security and integrity. Although these algorithms are computationally efficient, their performance is often constrained by the processor-centric architectures (e.g., CPUs, GPUs), primarily due to the memory bottleneck. This constraint leads to increased latency and higher energy consumption, particularly when handling large volumes of data. To overcome these challenges, Processing-in-Memory (PIM) has emerged as a promising architectural paradigm, allowing computation to occur directly within or near memory units. By minimizing data movement between the processor and memory units, PIM can significantly accelerate cryptographic algorithms while improving energy efficiency. Several pieces of prior work have demonstrated the effectiveness of PIM at fundamentally accelerating cryptographic algorithms. However, none of the prior works have extensively demonstrated the potential of a real-world PIM system. In this paper, we want to investigate the potential and limitations of real-world PIM in accelerating cryptographic algorithms. As part of our methodology, the UPMEM PIM architecture is used to assess the scalability of cryptographic algorithms. When these algorithms operate on a single rank, their performance remains below that of modern CPUs. However, distributing the computation across multiple ranks significantly enhances performance. When all available ranks are utilized, real-world PIM can accelerate cryptographic algorithms more effectively.
• Abstract（参考訳）: AES-128やSHA-256のような暗号アルゴリズムは、データのセキュリティと整合性を保証するのに不可欠である。 これらのアルゴリズムは計算効率が良いが、その性能はプロセッサ中心のアーキテクチャ(CPU、GPUなど)によって制約されることが多い。 この制約は、特に大量のデータを扱う場合、レイテンシの増加とエネルギー消費の増大につながる。 これらの課題を克服するため、Processing-in-Memory (PIM) は有望なアーキテクチャパラダイムとして登場し、計算はメモリユニット内または周辺で直接行われるようになった。 プロセッサとメモリユニット間のデータ移動を最小限にすることで、PIMはエネルギー効率を向上しつつ、暗号アルゴリズムを著しく高速化することができる。 いくつかの先行研究は、PIMが暗号アルゴリズムを根本的に高速化する効果を実証している。 しかしながら、以前のどの研究も現実世界のPIMシステムの可能性を広く示していない。 本稿では,暗号アルゴリズムの高速化における実世界のPIMの可能性と限界について検討する。 本手法では, 暗号アルゴリズムのスケーラビリティを評価するために, UPMEM PIMアーキテクチャを用いる。 これらのアルゴリズムが単一ランクで動作する場合、その性能は現代のCPUよりも低いままである。 しかし、複数のランクに分散した計算により、性能が著しく向上する。 利用可能な全てのランクを利用すると、現実世界のPIMはより効果的に暗号アルゴリズムを加速させることができる。

関連論文リスト

• HE-PIM: Demystifying Homomorphic Operations on a Real-world Processing-in-Memory System [12.932284199913944]
  ホモモルフィック暗号化(HE)は、暗号化されたデータに対する計算を可能にし、信頼できない計算環境に対して強力なプライバシ保証を提供する。 実際の採用は、高い計算複雑性、大きな暗号文サイズ、実質的なデータ移動によって制限されている。 Processing-In-Memory (PIM) は、メモリの周辺または内部での計算による有望な緩和である。
  論文  参考訳（メタデータ） (2026-05-13T00:36:03Z)
• Evaluating the Potential of In-Memory Processing to Accelerate Homomorphic Encryption [1.5707609236065612]
  ホモモルフィック暗号化(HE)は、復号化を必要とせずに計算を可能にする。 基礎となる暗号操作に関連する高い計算とメモリオーバーヘッドは、HEベースのソリューションの実用性を妨げている。 処理インメモリ(PIM)は、計算をデータに近づけることで、プロセッサメモリのデータ移動によるオーバーヘッドを低減することにより、この問題に対して有望な解決策を提供する。
  論文  参考訳（メタデータ） (2024-12-12T10:28:58Z)
• PhD Forum: Efficient Privacy-Preserving Processing via Memory-Centric Computing [0.0]
  ホモモルフィック暗号化(HE)とセキュアマルチパーティ計算(SMPC)は、暗号化されたデータの処理を可能にすることにより、データのセキュリティを高める。 既存のアプローチでは、特別なハードウェアを使用して計算オーバーヘッドを改善することに重点を置いている。 我々は、最近利用可能なPIMハードウェアを用いて、効率的なプライバシ保存計算を実現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T09:37:50Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• PIM-Opt: Demystifying Distributed Optimization Algorithms on a Real-World Processing-In-Memory System [21.09681871279162]
  大規模データセットに対するモダン機械学習(ML)トレーニングは、時間を要する作業量である。 最適化アルゴリズムであるGradient Descent (SGD) は、その効率性、単純さ、一般化性能に頼っている。 プロセッサ中心のアーキテクチャは、MLトレーニングワークロードの実行中に低パフォーマンスと高エネルギー消費に悩まされる。 Processing-In-Memory(PIM)は、データ移動のボトルネックを軽減するための有望なソリューションである。
  論文  参考訳（メタデータ） (2024-04-10T17:00:04Z)
• Fast, Scalable, Warm-Start Semidefinite Programming with Spectral Bundling and Sketching [53.91395791840179]
  我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。 USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2023-12-19T02:27:22Z)
• FHEmem: A Processing In-Memory Accelerator for Fully Homomorphic Encryption [9.884698447131374]
  ホモモルフィック暗号化(英: Homomorphic Encryption、FHE)は、暗号化データ上で任意の計算を復号化せずに実行できる技術である。 FHEは、暗号化後のデータサイズの増加により、普通のデータの計算よりも大幅に遅い。 PIMベースのFHEアクセラレータFHEmemを提案する。
  論文  参考訳（メタデータ） (2023-11-27T20:11:38Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
  本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。 また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。 実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T17:49:47Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。