GPU를 활용한 대규모 병렬 검증 연산

초록

본 논문은 Goldwasser‑Kalai‑Rothblum(GKR) 프로토콜과 그 확장판을 GPU에 구현해 서버 측 연산 오버헤드를 40‑120배 가속하고, 클라이언트 검증 비용도 100배 감소시켰다. 실험 결과, 서버는 원래 작업 대비 100‑500배 정도만 추가로 수행하면 되며, 스트리밍 전용 검증 프로토콜에서도 20‑50배 가속을 달성했다. 이를 통해 검증 가능한 연산이 실제 클라우드 서비스에 적용 가능한 수준이 되었음을 보였다.

상세 분석

이 논문은 검증 가능한 연산(Verifiable Computation, VC)의 실용화를 목표로, 기존 이론적 프로토콜이 갖는 서버 측 부하를 GPU 기반 대규모 병렬 처리로 크게 완화한다는 점에서 혁신적이다. 핵심은 Goldwasser, Kalai, Rothblum이 제안한 GKR 프로토콜이다. GKR은 다층 회로를 단계별로 검증하는 인터랙티브 증명 방식으로, 각 레이어의 게이트 연산을 다항식 형태로 변환하고, 다항식 평가를 통해 서버가 올바른 계산을 수행했는지 확인한다. 이 과정에서 발생하는 다항식 평가와 FFT(빠른 푸리에 변환) 연산은 본질적으로 데이터 병렬성을 가진다. 논문은 이러한 연산을 CUDA 커널로 매핑하여, 수천 개의 스레드가 동시에 다항식 계수를 처리하도록 설계했다. 특히, 레이어별 게이트 집합을 블록 단위로 나누고, 각 블록이 독립적으로 다항식 합성 및 검증 샘플을 생성하도록 함으로써 메모리 접근 패턴을 최적화하고, 공유 메모리를 활용해 중간 결과를 재사용한다.

또한, 프로토콜이 요구하는 랜덤 챌린지 생성과 검증자(클라이언트)의 최종 체크 단계도 GPU에서 수행할 수 있음을 보여준다. 기존에는 검증자가 O(log n) 정도의 연산을 수행했지만, GPU를 이용하면 이 연산을 미세하게 파이프라인화해 전체 검증 시간을 100배 이상 단축한다.

스트리밍 문제에 특화된 GKR 변형(예: F2, Distinct Elements 등) 역시 동일한 병렬화 전략을 적용했으며, 데이터 흐름이 연속적이기 때문에 메모리 전송 오버헤드를 최소화할 수 있었다. 실험에서는 CPU 기반 최적 구현 대비 서버 측 40‑120배, 클라이언트 측 100배 가속을 기록했으며, 전체 시스템의 비용 대비 성능 비율이 크게 개선되었다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, 검증 가능한 연산이 이론적 한계가 아니라 실제 클라우드 서비스에 적용 가능한 수준으로 전환될 수 있음을 증명한다. 둘째, GPU와 같은 범용 병렬 하드웨어가 복잡한 대수적 증명 프로토콜을 효율적으로 실행할 수 있는 플랫폼으로서 충분히 성숙했음을 보여준다. 앞으로는 더 복잡한 회로(예: 신경망 추론)나 다중 서버 환경에서도 동일한 패러다임을 확장할 여지가 크다.