Κρυπτογραφική επιτάχυνση με GPU

Ράικος, Ιάσων

Κρυπτογραφική επιτάχυνση με GPU

datacite.contributor.RelatedPerson	Σκλάβος, Νίκος
datacite.contributor.RelatedPerson	Νικολετσέας, Σωτήρης
datacite.contributor.Supervisor	Βλάχος, Κυριάκος
dc.contributor.author	Ράικος, Ιάσων
dc.contributor.other	Raikos, Iason
dc.date.accessioned	2026-06-30T09:37:40Z
dc.date.available	2026-06-30T09:37:40Z
dc.date.issued	2026-06-30
dc.degree	graduateThesis
dc.description.abstract	Οι κρυπτογραφικές λειτουργίες αποτελούν θεμέλιο κάθε σύγχρονης ασφαλούςεπικοινωνίας (HTTPS, VPN, ασφαλή συστήματα ανταλλαγής μηνυμάτων), αλλά είναι υπολογιστικά δαπανηρές. Σε διακομιστές υψηλής κίνησης, που εξυπηρετούν χιλιάδες ταυτόχρονες ασφαλείς συνδέσεις, η κρυπτογραφία μπορεί να καταναλώνει σημαντικό μέρος των πόρων της CPU και να μετατρέπεται σε σημείο συμφόρησης (bottleneck).Στην παρούσα διπλωματική εργασία υλοποιούμε σε CUDA τέσσερις βασικές οικογένειες κρυπτογραφικών αλγορίθμων, τον συμμετρικό αυθεντικοποιημένο αλγόριθμο AES-GCM, τον ChaCha20-Poly1305, τον ασύμμετρο RSA και κρυπτογραφία Ελλειπτικών Καμπυλών (ECC, συγκεκριμένα X25519 για ανταλλαγή κλειδιών και Ed25519 για ψηφιακές υπογραφές) και τις εκτελούμε μαζικά παράλληλα στη GPU. Για τους ασύμμετρους αλγορίθμους η αριθμητική πολλαπλής ακρίβειας υλοποιείται από εμάς εξ ολοκλήρου σε CUDA, χωρίς εξωτερική βιβλιοθήκη big-number, με το μοντέλο «μία κρυπτογραφική λειτουργία ανά νήμα» (one operation per thread) και μαζική παράλληλη εκτέλεση πολλών ανεξάρτητων λειτουργιών.Συγκρίνουμε τη ρυθμοαπόδοση (throughput) των υλοποιήσεών μας στη GPU με τις αντίστοιχες, εξαιρετικά βελτιστοποιημένες υλοποιήσεις CPU της βιβλιοθήκης OpenSSL (η οποία αξιοποιεί εντολές AES-NI). Η μεθοδολογία μέτρησης διαχωρίζει τον «καθαρό» χρόνο υπολογισμού στη GPU από τον συνολικό χρόνο του διοχετευτικού αγωγού (pipeline) που περιλαμβάνει τις μεταφορές μέσω PCIe, ενώ η ορθότητα κάθε υλοποίησης επαληθεύεται με επίσημα δοκιμαστικά διανύσματα και known-answer tests.Τα αποτελέσματα δείχνουν ότι, για τους συμμετρικούς αλγορίθμους, ο καθαρός υπολογισμός της GPU είναι έως ~4.3× ταχύτερος για ChaCha20-Poly1305 και ~1.3× για AES-GCM σε μεγάλα σύνολα δεδομένων, αλλά η ρυθμοαπόδοση στους δύο αυτούς από άκρο σε άκρο περιορίζεται από τη μεταφορά PCIe και παραμένει κάτω από εκείνη μιας πολυνηματικής CPU με AES-NI. Αντίθετα, στις ομαδοποιημένες (batched) λειτουργίες RSA/ECC η GPU αποδίδει έως ~15× για επαλήθευση Ed25519, ~10× για X25519, ~9.5× για υπογραφή Ed25519 και ~6× για κρυπτογράφηση RSA-2048, με τηναποκρυπτογράφηση RSA-2048 στο ~1.6×. Καταλήγουμε ότι η μεταφόρτωση (offloading) κρυπτογραφικών υπολογισμών στη GPU είναι βιώσιμη στρατηγική για φόρτους εργασίας υψηλής ρυθμοαπόδοσης, και σκιαγραφούμε μια αρχιτεκτονική «ομαδοποίησης-καιμεταφόρτωσης» για συστήματα όπως VPN ή ασφαλή συστήματα μηνυμάτων.
dc.description.translatedabstract	Cryptographic functions are the foundation of all modern secure communications (HTTPS, VPN, secure messaging systems), but they are computationally expensive. On high-traffic servers that handle thousands of concurrent secure connections, cryptography can consume a significant portion of CPU resources and become a bottleneck.In this thesis, we implement four basic families of cryptographic algorithms in CUDA, the symmetric authenticated AES-GCM algorithm, ChaCha20-Poly1305, the asymmetric RSA algorithm, and Elliptic Curve Cryptography (ECC, specifically X25519 for key exchange and Ed25519 for digital signatures) and we execute them in parallel on the GPU.For asymmetric algorithms, we implement multi-precision arithmetic entirely in CUDA, without an external big-number library, using the “one cryptographic operation per thread” model and mass parallel execution of many independent operations.We compare the throughput of our GPU implementations with the corresponding, highly optimized CPU implementations from the OpenSSL library (which utilizes AES-NI instructions). The measurement methodology distinguishes the “pure” computation time on the GPU from the total pipeline time, which includes transfers via PCIe, while the correctness of each implementation is verified using official test vectors and known-answer tests.The results show that, for symmetric algorithms, the net GPU “pure” computation is up to ~4.3× faster for ChaCha20-Poly1305 and ~1.3× faster for AES-GCM on large datasets but the end-to-end throughput for both is limited by the PCIe bus and remains below that of a multithreaded CPU with AES-NI. In contrast, for batched RSA/ECC operations, the GPU delivers up to ~15× for Ed25519 verification, ~10× for X25519, ~9.5× for Ed25519 signing, and ~6× for RSA-2048 encryption, with RSA-2048 decryption at ~1.6×. We conclude that offloading of cryptographic computations to the GPU is a viable strategy for high-throughput workloads, and we outline a “cluster-and-offload” architecture for systems such as VPNs or secure messaging systems.
dc.identifier.uri	https://hdl.handle.net/10889/32150
dc.language.iso	el
dc.rights	Attribution-NonCommercial-ShareAlike 3.0 Greece	en
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/
dc.subject	Κρυπτογραφική επιτάχυνση
dc.subject.alternative	Cryptographic acceleration
dc.subject.alternative	GPU
dc.subject.alternative	CUDA
dc.subject.alternative	AES-GCM
dc.subject.alternative	ChaCha20-Poly1305
dc.subject.alternative	RSA
dc.subject.alternative	ECC
dc.subject.alternative	X25519
dc.subject.alternative	Ed25519
dc.subject.alternative	Throughput
dc.subject.alternative	OpenSSL
dc.subject.alternative	Batching
dc.title	Κρυπτογραφική επιτάχυνση με GPU
dc.title.alternative	Cryptographic acceleration with GPU