[論文レビュー] Efficient Modular Arithmetic for SIMD Devices

Wilke Trei|arXiv (Cornell University)|Oct 10, 2013

Numerical Methods and Algorithms被引用数 3

ひとこと要約

本論文は、OpenCLを用いて、特にGPUを含むSIMDデバイスにおける効率的なモジュラー算術のためのアルゴリズム的最適化を提示する。1台のデスクトップシステムに消費財グレードのGPUを搭載した状態で、192ビットモジュラー乗算を1秒間に30億回以上実行するという新記録を樹立し、整数因子分解のための楕円曲線法（ECM）を含む暗号ワークロードを顕著に高速化した。

ABSTRACT

This paper describes several new improvements of modular arithmetic and how to exploit them in order to gain more efficient implementations of commonly used algorithms, especially in cryptographic applications. We further present a new record for modular multiplications per second on a single desktop computer as well as a new record for the ECM factoring algorithm. This new results allow building personal computers which can handle more than 3 billion modular multiplications per second for a 192 bit module at moderate costs using modern graphic cards.

研究の動機と目的

• SIMDアーキテクチャ、特に暗号応用を念頭に置いたモジュラー算術の効率を向上させること。
• GPUベースのモジュラー算術におけるパフォーマンスボトルネック（分岐の不一致やメモリ圧力など）を克服すること。
• 一般消費GPUを用いた単一デスクトップシステムにおいて、モジュラー乗算スループットの記録を更新すること。
• GPU上の低レベル算術およびメモリアクセスパターンの最適化により、高スループットなECM因子分解を可能にすること。

提案手法

• GPUのストリームコアを標的とした、高度に並列化されたモジュラー算術カーネルをOpenCLで実装する。
• 複数精度モジュラー算術におけるクリティカルパス遅延を低減するため、新規のキャリーチェックアダー設計を適用する。
• レジスタ使用量の最適化とスレッド間の同期を回避することで、SIMDユニットにおける並列性を最大化する。
• データ依存性を最小限に抑え、命令レベル並列性を向上させるモジュラー還元技術を導入する。
• AMD GPUにおけるスレッド1つあたり124レジスタのモデルを活用し、注意深くスクラッチ領域を管理することで、最大510ビット算術を実現する。
• 192ビットモジュラス向けに、モンゴメリー還元と最適化されたワードレベル演算を組み合わせたハイブリッドアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 SIMD GPUアーキテクチャ上で高スループット実行を実現するため、モジュラー算術をどのように最適化できるか？
• RQ2 GPUベースのモジュラー乗算における主なパフォーマンスボトルネックは何か。また、それらをどのように緩和できるか？
• RQ3 モジュラー還元およびキャリープロパゲーションにおけるアルゴリズム的改善は、一般消費GPU上でスループットをどの程度向上できるか？
• RQ4 一般消費GPUを用いた単一デスクトップシステムで、192ビットモジュラー乗算を1秒間に30億回以上実行できるか？
• RQ5 レジスタ数やメモリ階層といったアーキテクチャ的特徴は、GPU上のモジュラー算術カーネルのパフォーマンスにどのように影響するか？

主な発見

• 著者らは、AMD Radeon HD 5870 GPU上で、192ビットモジュラー乗算を1秒間に8億4620万回実行するという新記録を樹立した。
• 最適化された実装は、ベースラインと比較して11.2%のスループット向上を達成しており、コード変更は最小限に抑えられた。
• 1台のシステムに2つのAMD Radeon HD 5870 GPUを搭載した結果、スループットは約30億回のモジュラー乗算/秒に達した。
• システムコストは2000ドル未満（2台の700ドルのGPUと周辺機器を含む）であり、高性能な因子分解が実現可能になった。
• 以前のシステムと比較して、パフォーマンス/コスト比で2.64倍の向上を達成した。
• 1つのGPUで192ビットモジュラスの10億回/秒のモジュラー乗算を突破することができ、さらなるスケーリングの可能性を秘めている。