52、基于GPU架构的分组密码性能预测模型

基于GPU架构的分组密码性能预测模型

在当今数据加密领域，图形处理单元（GPU）凭借其软件灵活性和硬件计算性能，在高速加密处理大量数据方面备受关注。然而，由于分组密码原语众多，GPU架构也因不同厂商而各异，这使得程序员在实现加密时往往需要反复试验。为解决这一问题，本文提出了一种基于GPU架构的分组密码性能预测模型。

1. 背景与动机

随着数据量的不断增长，对高速加密处理的需求也日益迫切。GPU因其并行计算能力，成为了处理大量数据加密的理想选择。但分组密码的多样性（如CRYPTREC和NESSIE推荐的众多密码列表）以及不同厂商（Nvidia、AMD、Intel和ARM等）提供的各种GPU架构，导致分组密码与GPU架构的组合数量成倍增加。这使得程序员在实现加密时面临诸多挑战，需要通过反复尝试来找到最佳实现方案。

如果存在一个能够预测分组密码在GPU上实现性能的模型，程序员就可以提前预估性能提升率，从而更高效地进行开发。此外，这样的模型还能为适合GPU架构的下一代加密算法设计提供参考。

2. 相关工作

在性能预测领域，已有一些相关研究，但都存在一定的局限性。
- 分组密码原语的性能估计 ：Matsui曾采用类似的方法计算AES和Camellia在x86 64处理器上的延迟。他通过将S盒和指令的延迟与其数量相乘，然后求和得到整体加密延迟。但这种方法对于GPU程序员来说具有挑战性，因为GPU架构的原生汇编语言（如Nvidia SASS）缺乏统一性。
- GPU应用的性能预测 ：
- Kotohapalli等人提出了一个针对Nvidia GP