Descrizione del progetto
Una nuova tecnologia di crittografia e memoria per supportare flussi di lavoro basati sull’apprendimento profondo più sicuri
L’esplosione di dati a disposizione per migliorare la precisione delle soluzioni a problemi di classificazione complessi ha reso le metodologie di apprendimento profondo fondamentali alla luce delle loro funzionalità di estrazione. Congiuntamente all’aumento della disponibilità dei dati, tuttavia, è incrementata anche la necessità di proteggerli dinanzi alla schiera crescente di attori fraudolenti con intenti malevoli. L’integrazione degli algoritmi di apprendimento profondo con la crittografia è stata gravemente limitata dal vasto aumento delle dimensioni dei dati di tali algoritmi, oltre che dalla limitata memoria a disposizione. Il progetto HomE, finanziato dall’UE, fornirà ispirazione a una nuova categoria di architetture di sistema per flussi di lavoro basati sull’apprendimento profondo crittografati, consentendo l’esecuzione simultanea ad alta risoluzione di centinaia di modelli con un’elevata precisione.
Obiettivo
Deep learning (DL) is widely used to solve classification problems previously unchallenged, such as face recognition, and presents clear use cases for privacy requirements. Homomorphic encryption (HE) enables operations upon encrypted data, at the expense of vast data size increase. RAM sizes currently limit the use of HE on DL to severely reduced use cases. Recently emerged persistent memory technology (PMEM) offers larger-than-ever RAM spaces, but its performance is far from that of customary DRAM technologies. This project aims at sparking a new class of system architectures for encrypted DL workloads, by eliminating or dramatically reducing data movements across memory/storage hierarchies and network, supported by PMEM technology, overcoming its current severe performance limitations. HomE intends to be a first-time enabler for the encrypted execution of large models that do not fit in DRAM footprints to execute local to accelerators, hundreds of DL models to run simultaneously, and large datasets to be run at high resolution and accuracy. Targeting these ground-breaking goals, HomE enters into unexplored field resulting from the innovative convergence of several disciplines, where wide-ranging research is required in order to assess current and future feasibility. Its main challenge is to develop methodology capable of breaking through the existing software and hardware limitations. HomE proposes a holistic approach yielding highly impactful outcomes that include novel comprehensive performance characterisation, innovative optimisations upon current technology, and pioneering hardware proposals. HomE can spawn a paradigm shift that will revolutionise the convergence of the machine learning and cryptography disciplines, filling a gap of knowledge and opening new horizons such as DL training on HE, currently too demanding even for DRAM. HomE, based on solid evidence, will unveil the great unknown of whether PMEM is a practical enabler for encrypted DL workloads.
Campo scientifico
- natural sciencescomputer and information sciencessoftware
- natural sciencescomputer and information sciencescomputer securitycryptography
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencescomputer and information sciencesartificial intelligencepattern recognition
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-AG - HORIZON Action Grant Budget-BasedIstituzione ospitante
08034 Barcelona
Spagna