As the size of ML models grows and the server handles nearly all computations, research on the user privacy has become crucial. Fully Homomorphic Encryption (FHE), enabling operations on encrypted data and providing quantum-safe security, is considered the most promising methodology. However, operations with FHE are significantly slower—ranging from 10,000 to 100,000 times slower than plaintext operations—prompting the research on FHE hardware accelerators. The performance of accelerators is highly influenced by the parameter settings for the ciphertext space. However, the parameter settings explored in existing accelerators are optimized only for specific security levels, often falling short of achieving optimal performance. Additionally, these parameters are intricately related, making design space exploration challenging and involving a vast number of possible scenarios. This thesis proposes a framework to efficiently predict the performance of an accelerator under given conditions and, further, to discover the optimal parameter settings. The implemented framework first identifies and abstracts key elements determining the accelerator’s performance. Subsequently, it simulates and predicts the performance of the accelerator for specific parameter settings. With the proposed framework, this thesis demonstrates the ability to obtain optimal parameter settings based on various security requirements not previously explored in existing accelerators.
ML 모델의 크기가 커지고 서버에서 거의 모든 연산을 담당함에 따라, 사용자의 개인정보를 서버로부터 보 호하는 연구가 중요한 분야로 떠오르고 있다. 완전동형암호(FHE)는 암호화된 데이터끼리 연산이 가능하며 양자 알고리즘에 대한 보안성을 제공하기 때문에 가장 유망한 방법론으로 평가받고 있다. 그러나 완전동 형암호 상에서의 연산은 평문 연산 대비 10,000배에서 100,000배 가량 느리기 때문에 이를 가속할 수 있는 하드웨어 가속기가 활발하게 연구되고 있다. 가속기의 성능은 암호문 공간에 대한 변수 설정에 큰 영향 을 받는데, 기존 가속기에서 연구되었던 변수 설정은 특정한 보안 레벨에만 최적화되어 있기 때문에 항상 최적의 성능을 내지 못한다. 또한 각 변수는 다른 변수들과 복잡한 관계로 연관되어 있기 때문에 이들에 대한 설계영역탐색(Design Space Exploration)은 높은 난이도를 가지며 탐색해야 할 경우의 수도 매우 많다. 본 학위논문에서는 주어진 조건에 따른 가속기의 성능을 효율적으로 예측하고, 나아가 최적의 변수 설정을 찾아낼 수 있는 프레임워크를 제안한다. 구현된 프레임워크는 먼저 가속기의 성능을 결정하는 데 핵심적인 요소를 선별한 뒤 추상화한다. 그 후, 시뮬레이션을 통해 특정 변수 설정에 대한 가속기의 성능을 최대한 비슷하게 예측한다. 본 논문에서 제안하는 프레임워크를 통해, 기존 가속기에서는 연구되지 않았던 다양한 보안 요구치에 따른 최적의 변수 설정을 얻을 수 있다.
