論文の概要: Rosemary: Efficient and Adaptable In-Storage Acceleration for Fully Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2610.38262v1
- Date: Wed, 28 Oct 2026 04:23:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 18:25:51.098632
- Title: Rosemary: Efficient and Adaptable In-Storage Acceleration for Fully Homomorphic Encryption
- Title（参考訳）: Rosemary: 完全同型暗号化のための効率よく適応可能なIn-Storage Acceleration
- Abstract要約: ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、プライバシ保護コンピューティングを約束する。
既存の加速戦略は、大規模アプリケーションにおけるFHEデータの巨大なサイズに起因するストレージI/Oボトルネックをしばしば見落としている。
我々は、コンパイラレベルと最適化を備えた新しいインストレージ処理(ISP)アーキテクチャを組み込んだ異種FHE加速システムであるRosmaryを提案する。
- 参考スコア（独自算出の注目度）: 17.84884201972459
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fully Homomorphic Encryption (FHE) enables computation on encrypted data and is promising for privacy-preserving computing. However, FHE deployment remains constrained due to massive computational, memory, and data-movement overheads. Existing acceleration strategies often overlook the storage I/O bottleneck caused by the enormous size of FHE data in large-scale applications, as most prior works focus on small benchmarks that fit in main memory. Our studies show that state-of-the-art FHE systems spend 71\% to 85\% of their execution time moving data between storage and compute units rather than performing useful computation. To address the I/O bottleneck, we present Rosemary, a heterogeneous FHE acceleration system that incorporates a novel in-storage processing (ISP) architecture with compiler-level and algorithmic optimizations. Our key innovations include 1) an adaptable hardware-aware FHE engine inside a NAND flash-based solid-state drive (SSD) for efficient and cost-effective in-storage FHE processing, 2) a Throughput-Data-Aware Program Allocator (TDAP) that partitions FHE workloads into heterogeneous programs, and 3) a Compiler-Level Ciphertext-Aware Optimizer (CLCAO) that exploits ISP-friendly FHE kernels for low-cost ISP execution. Across a diverse set of FHE workloads, including encrypted deep learning inference and cloud database queries, Rosemary achieves geometric-mean speedups of $185.7\times$ over state-of-the-art CPU/GPU implementations and $3.7\times$ over prior FHE accelerators, while improving energy efficiency by up to $3.9\times$ and Energy-Delay-Area-Product (EDAP) by up to $16.5\times$.
- Abstract（参考訳）: FHE(Fully Homomorphic Encryption)は、暗号化されたデータの計算を可能にし、プライバシ保護コンピューティングを約束する。
しかし、FHEのデプロイメントは、膨大な計算、メモリ、データ移動オーバーヘッドのために制限されている。
既存のアクセラレーション戦略は、大規模アプリケーションにおけるFHEデータの巨大なサイズに起因するストレージI/Oボトルネックをしばしば見落としている。
我々の研究は、最先端のFHEシステムは、有用な計算を行うのではなく、ストレージと計算ユニット間でデータを移動させる実行時間の71%から85%に費やしていることを示している。
In-Storage Processing (ISP) アーキテクチャをコンパイラレベルで,アルゴリズム的に最適化した異種FHE加速システムであるRosmaryを提案する。
私たちの重要なイノベーションは
1)NANDフラッシュベースソリッドステートドライブ(SSD)内のハードウェア対応のFHEエンジンで、効率よくコスト効率の良いFHE処理を行う。
2)FHEワークロードを異種プログラムに分割するスループット・データ・アウェア・プログラム・アロケータ(TDAP)
3) Compiler-Level Ciphertext-Aware Optimizer (CLCAO) はISPフレンドリーなFHEカーネルを利用して低コストのISP実行を実現する。
暗号化されたディープラーニング推論やクラウドデータベースクエリを含む、さまざまなFHEワークロード全体で、Rosemaryは、最先端のCPU/GPU実装に対して185.7\times$、以前のFHEアクセラレータよりも3.7\times$を達成し、エネルギー効率を最大3.9\times$とEnergy-Delay-Area-Product (EDAP)を最大16.5\times$に改善した。
関連論文リスト
- Characterizing High Bandwidth Flash for LLM Serving [62.46590593472309]
大規模言語モデル(LLM)は、モデルの重みとKVキャッシュを保持するためにかなりのメモリを必要とする。
高帯域フラッシュ(HBF)は、大型言語モデル(LLM)サービスのためのアクセラレータメモリ容量を拡大する手段を提供するが、アクセスコストと書き込み持続時間に制限があるため、その使用は複雑である。
本稿では,HBFホストの階層型ストレージシステムとバッファ型キャッシュアウェアスケジューリングを導入し,その性能,エネルギー消費,HBF書き込みライフタイムに与える影響をトレース駆動シミュレーションを用いて解析する。
論文 参考訳（メタデータ） (2026-09-30T07:02:56Z) - LLM Inference in a Flash! [66.43896490006965]
大規模言語モデル(LLM)は、さまざまな自然言語処理タスクで印象的な機能を示している。
我々は、高価な浮動小数点演算をなくすために、エンドツーエンドの整数のみの量子化手法を提案する。
論文 参考訳（メタデータ） (2026-09-14T18:04:30Z) - Faster Than Flash: Exploiting Attention Sparsity for Efficient Long-Context Decoding [51.48425605758328]
我々は,Faster Flash Decoding (FFD) という,長文デコーディングにおいてメモリ壁を壊すように設計されたハードウェア・アルゴリズムの共同設計フレームワークを提示する。
FFDはセレクタとコンピュータを完全に融合したカーネルに統合し、外部メタデータのインデックスをコンテンツ認識スキャンに置き換える。
最大11.6倍のカーネルレベルのスピードアップと256Kコンテキスト長のスケーリングを実現し、2.37倍のスループット向上を実現している。
論文 参考訳（メタデータ） (2026-08-31T15:13:20Z) - WHET: Welding Homomorphic Encryption to Accelerator Architectures [3.4027459785553]
ホモモルフィック暗号化(英語版) (FHE) は復号化せずに暗号化されたデータの計算を可能にする。
それまでの取り組みは、暗号とアルゴリズムの強化やハードウェアアクセラレーションを通じて、FHEのパフォーマンスを着実に改善してきた。
メモリ中心のアーキテクチャを意識した最適化を導入し、暗号とアルゴリズムの構成をFHEアクセラレータアーキテクチャと整合させる。
論文 参考訳（メタデータ） (2026-06-10T01:04:58Z) - A Scalable Architecture for Efficient Multi-bit Fully Homomorphic Encryption [1.4174227043241145]
本稿では,マルチビットTFHE計算の効率化を目的としたハードウェアアクセラレータTaurusを紹介する。
Taurusは、新しいFFTユニットを活用し、キー再利用戦略を通じてメモリ帯域幅を最適化することで、最大10ビットの暗号文をサポートする。
実験の結果,TaurusはCPU上で最大2600倍の高速化,GPU上で1200倍の高速化を実現した。
論文 参考訳（メタデータ） (2025-09-16T05:00:57Z) - Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models [50.260693393896716]
拡散モデル(DM)は高忠実度画像を生成できる強力な生成モデルであるが、高い計算コストで制約される。
我々は、事前訓練されたパラメータを変更することなく、生成スケジュールとモデルアーキテクチャを協調的に最適化する、トレーニング不要なNASフレームワークFlexiffusionを提案する。
我々の研究は、品質を犠牲にすることなく高速DMを検索するための資源効率の良いパラダイムを開拓した。
論文 参考訳（メタデータ） (2025-06-03T06:02:50Z) - EFFACT: A Highly Efficient Full-Stack FHE Acceleration Platform [15.3973190088728]
EFFACTは、包括的な最適化とベクターフレンドリなハードウェアを提供するコンパイラを備えた、非常に効率的なフルスタックFHEアクセラレーションプラットフォームである。
EFFACTにはISAとコンパイラバックエンドがあり、CKKS、BGV、BFVなどのFHEスキームをサポートする。
論文 参考訳（メタデータ） (2025-04-22T12:01:20Z) - Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [23.633481089469836]
LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。
トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。
我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
論文 参考訳（メタデータ） (2024-05-28T22:19:30Z) - 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) - GME: GPU-based Microarchitectural Extensions to Accelerate Homomorphic Encryption [33.87964584665433]
ホモモルフィック暗号化(FHE)は、暗号化データを復号することなく処理することができる。
FHEは、平文データを使った同じ計算と比較して最大5桁のスローダウンを導入している。
本稿では,3つのキーとなるマイクロアーキテクチャ拡張と,現在のAMD CDNA GPUアーキテクチャへのコンパイル時間最適化を組み合わせたGMEを提案する。
論文 参考訳（メタデータ） (2023-09-20T01:50:43Z)
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。