[Paper] 基于 LLVM 的 SPDZ 优化流水线

Source: arXiv - 2512.11112v1

概览

本文提出了一种原型编译器‑运行时堆栈，将 SPDZ 安全多方计算（MPC）协议接入 LLVM 生态系统。通过让开发者编写普通（带注解）的 C 代码，系统自动提取并行性、批处理算术操作，并将通信与计算重叠——在 CPU 上实现最高 5.5× 加速，并支持可扩展的 GPU 加速。

关键贡献

• 基于 LLVM 的前端，接受一小段带隐私注解的 C 子集并将其降至 LLVM IR，复用 LLVM 成熟的分析框架。
• 自动批处理 独立算术操作，免去程序员手动表达并行性的需求。
• 协议感知调度器 位于后端，执行数据流和控制流分析，以驱动非阻塞运行时，实现网络流量与本地计算的重叠。
• GPU 卸载路径 在可用时将大批量算术内核映射为 CUDA 内核。
• 实证评估 表明在 CPU 上相较 MP‑SPDZ 可实现最高 5.56× 加速，且随线程数呈强缩放；GPU 后端在更大输入时表现更佳。

方法论

1. 前端解析 – 开发者使用轻量注解（如 @secret）标记私有值编写 C 代码。解析器将其转换为 LLVM IR，并将注解保留为元数据。
2. LLVM 优化 – 标准 Pass（死代码消除、循环展开等）保持不变。随后自定义 Pass 检测独立算术语句 并将其归入 批次。
3. 后端分析 – 数据流 Pass 构建批处理操作的依赖图。控制流 Pass 确定可以将通信（发送/接收秘密分享）与独立本地工作重叠的点。
4. 运行时调度器 – 调度器为非阻塞式：提前发送网络消息，然后在等待回复期间继续执行任何已就绪的批次。当批次足够大且存在 GPU 时，调度器将其派发至 CUDA 内核。
5. 评估 – 作者在 SPDZ 的 在线 阶段对一套微基准（矩阵乘法、多项式求值等）进行基准测试，分别与最先进的 MP‑SPDZ 实现进行比较，涵盖仅 CPU 和 CPU+GPU 两种配置。

结果与发现

关键要点

• 自动批处理 消除了现有 SPDZ 工具链中大部分手动并行工程工作。
• 非阻塞调度 隐藏网络延迟，尤其在网络高延迟但带宽大的情况下收益显著。
• GPU 加速 在批处理工作量超过几千次算术操作后才具备成本效益，匹配真实 MPC 任务（如隐私保护的机器学习推理）的典型规模。

实际意义

• 降低入门门槛 – 开发者现在只需使用熟悉的 C 代码并添加简单注解，而无需学习领域特定语言或手工构建并行 MPC 流水线。
• 更快的生产部署 – 观察到的加速直接转化为更低的计算成本和更紧的延迟预算，适用于安全拍卖、联邦分析等隐私保护服务。
• 硬件无关的可扩展性 – 同一代码库可在多核 CPU 上高效运行，也可在无需代码修改的情况下升级至 GPU 加速集群，实现工作负载增长的平滑迁移。
• 集成潜力 – 由于前端输出标准 LLVM IR，现有工具链（Clang、Rust‑LLVM 后端等）可以扩展以支持 SPDZ，为更广泛的语言支持打开大门。

局限性与未来工作

• C 子集 – 目前仅支持有限的语言特性（直线算术、简单循环），复杂数据结构和动态内存不在范围内。
• 仅关注在线阶段 – 评估集中在在线阶段；离线预处理（乘法三元组的预计算）未得到加速。
• 原型成熟度 – 系统仍为概念验证；稳健性、错误处理以及与现有 MPC 框架的集成仍需进一步工程化。
• 未来方向 – 将前端扩展至完整的 C/C++（或其他语言），加入对其他 MPC 协议（如 BGV、CKKS）的支持，并探索 CPU、GPU 与 FPGA 加速器的异构调度。

作者

• Tianye Dai
• Hammurabi Mendes
• Heuichan Lim

论文信息

• arXiv ID: 2512.11112v1
• 分类: cs.CR, cs.DC, cs.SE
• 出版时间: 2025 年 12 月 11 日
• PDF: Download PDF