Orijinal başlık: ZK-ASIC'lerin Tasarlanmasında Yeni Paradigma, zkVM Yolu
Orijinal yazar: Cysic ekibi
Bu makaleyi derleyen: Loopy
Anlayışlı tartışmalar için Justin Drake ve Luke Pearson'a teşekkürler.
Gerçek zamanlı sıfır bilgi kanıtı üretimi, uçtan uca donanım hızlandırmayı gerektirir. zkVM yalnızca ZK ASIC'lerin tasarımını basitleştirmekle kalmaz, aynı zamanda daha yüksek performans ve daha düşük maliyetli donanım sağlar.
Sıfır bilgi kanıtları (ZKP), bir tarafın (kanıtlayanın) diğer tarafa (doğrulayana) belirli bir ifadenin doğruluğunu, ifadenin geçerliliği dışında herhangi bir bilgiyi açıklamadan kanıtlamasına olanak tanır.
Sıfır bilgi kanıtlarının mucitlerinden biri olan Silvio Micali (bunu Goldwasser ve Rackoff ile birlikte icat etti), şifrelemenin verileri karıştırdığı gibi, sıfır bilgi kanıtlarının da hesaplamaları karıştırdığını söyledi. Daha spesifik olarak, şifreleme algoritmaları (AES veya RSA gibi), verileri, temeldeki verileri gizleyen karşılık gelen şifreli metne dönüştürür. Sıfır bilgi kanıtları, hesaplamalı iddiaları yalnızca hesaplamanın ayrıntılarını gizlemekle kalmayıp aynı zamanda iddianın doğruluğunu da doğrulayan kanıtlara dönüştürür.
ZKP'nin iki iyi özelliği vardır: sıfır bilgi ve basitlik. Bu aynı zamanda onu en yaygın kullanılan üst düzey kriptografik temellerden biri yapar.
Sıfır bilgi, kanıtın kendisinin hesaplama süreci veya özel girdiler hakkında herhangi bir bilgiyi açığa çıkarmaması anlamına gelir. Bu özellik, bazı gizlilik odaklı uygulamalar oluşturmak için çok kullanışlıdır. Örneğin Aleo, Bitcoin, Ethereum ve diğer halka açık zincirlerin aksine işlem ayrıntılarını gizleyebiliyor.
Basitlik, ispatın küçük boyutunu ve kısa doğrulama süresini ifade eder; bu, karmaşık bir hesaplama sürecinin küçük bir veri parçasına (yani "kanıt", "kanıt") dönüştürülebileceği anlamına gelir. Ve zayıf bilgi işlem cihazlarında (cep telefonları ve hatta Raspberry Pi gibi) neredeyse anında doğrulanabilir. Bu özellik, Ethereum'u ölçeklendirirken son derece kullanışlıdır çünkü 1000 işleme karşılık gelen EVM hesaplamasını küçük bir kanıta dönüştürebilir ve ardından bu kanıtı Ethereum'da yayınlayabiliriz. Eğer bu kadar küçük bir kanıt (belki de sadece 100 bayt) Ethereum tarafından doğrulanırsa, 1000 işlemin tamamı nihayet onaylanır. Özel blockchain'ler ve ölçeklendirme çözümleri, blockchain topluluğundaki ZKP çılgınlığının sadece iki örneğidir. Birçok ZK projesi, ZK yardımcı işlemcisi, ZK köprüsü, ZK makine öğrenimi (ZKML) gibi bu iki temel özellik kullanılarak da oluşturulabilir.
ZKP'nin yaygın şekilde konuşlandırılmasının önündeki önemli bir engel, kanıt oluşturma sırasında hesaplama süresine ve kaynaklara yönelik büyük taleptir.
Genellikle daha karmaşık hesaplamalar daha fazla zaman ve kaynak gerektirir. Örneğin, Daniel Kang ve ekibinin ZKML projesinde, GPT-2 çıkarımına yönelik kanıt oluşturma işlemi, güçlü bir 64 iş parçacıklı CPU kullanılarak 9000 saniyeden fazla sürdü. Öte yandan Scroll'da ZK-EVM devresi için kanıt üretimi 280 GB'ın üzerinde RAM gerektirir.
Bu engelleyici kaynak gereksinimleri nedeniyle topluluk, ZK hesaplaması için uyarlanmış daha verimli donanımlar arıyor (kanıt oluşturma olarak anılır). Donanım seçenekleri arasında CPU, GPU, FPGA ve ASIC bulunur. Bu seçenekler şu anda mevcut olmaktan belirsiz bir bekleme süresine kadar değişmektedir.
CPU genellikle diğer üç seçenekle karşılaştırma için temel bir uygulama olarak kabul edilir. Donanım hızlandırmanın iki yaygın göstergesi vardır. İşte bazı sezgisel açıklamalar:
CPU genellikle diğer üç seçenekle karşılaştırma için temel bir uygulama olarak kabul edilir. Donanım hızlandırmanın iki yaygın göstergesi vardır. İşte bazı sezgisel açıklamalar:
- Dolar başına performans: Bu, kullanıcının bu donanımı satın almak için ne kadar ödemesi gerektiği anlamına gelir. Satın alma kararları birçok faktöre bağlıdır; bunlardan en önemlisi aynı miktar parayla maksimum performanstır. Temel olarak bu ölçüm, donanımın maliyet etkinliğini ölçer. Genel olarak çipi üretmek için daha gelişmiş bir süreç kullanılırsa daha yüksek performans elde edebiliriz ancak bu daha pahalı olma eğilimindedir.
- Watt başına performans: Bu, bu donanımı çalıştırmak için ne kadar enerji gerektiği anlamına gelir. Örneğin, Bitmain'in en yeni Bitcoin madencisi T 21, 1 TH hesaplamayı tamamlamak için yalnızca 19 joule kullanarak rakiplerinin ürünlerinden daha iyi performans gösteriyor.
Bir ürünün avantajları temel olarak yukarıdaki iki faktöre ve ayrıca teknik olmayan bazı faktörlere (garanti ve kalıntı değer gibi) bağlıdır. Tipik olarak ASIC tabanlı donanım, özelleştirilebilir yapısı nedeniyle bu iki ölçümde diğer üç kategoriden daha iyi performans gösteriyor.
Şimdi mevcut GPU'lara ve FPGA'lere göre dolar ve watt başına önemli ölçüde daha iyi performans sağlayan özel bir ZK ASIC'in tasarlandığını hayal edelim. Bu ASIC, çoklu skaler çarpma (MSM), sayı teorik dönüşümü (NTT), Merkle ağaçları vb. gibi çeşitli modülleri destekleyebilir, ancak bu donanımı mevcut teknoloji yığınına nasıl entegre ederiz?
En yaygın yaklaşım, CPU kodundaki karşılık gelen hesaplamaları hızlandırma bileşenleriyle değiştirmektir; bu, genellikle tatmin edici performans hızlandırması elde edemeyen basit bir değiştirmedir. Bu yaklaşıma ilişkin bulgularımızı ethCC'23'te yayınladık (daha fazla ayrıntı bu tweet'te ).
CPU ve FPGA/CPU performans karşılaştırması
CPU'ların ve özel FPGA makinelerimizin bir kombinasyonunu kullanarak CPU performansına kıyasla önemli ilerleme kaydettik, ancak performans hala nihai hedef olan gerçek zamanlı ZK kanıtlarından çok uzakta.
Bu yetersiz performans, Amdahl yasasından ve farklı donanım bileşenleri arasındaki etkileşim maliyetlerinden kaynaklanmaktadır. Amdahl yasası, sistemin tek bir bölümünü optimize ederek elde edilen genel performans artışının sınırlı olduğunu ve bu durumun, farklı donanım modülleri arasındaki iletişim maliyetiyle daha da kötüleştiğini gösteriyor (Kaynak: Vikipedi ). CPU'ya göre önemli bir hızlanma elde etmek için, mümkün olan her bileşenin tek bir donanım parçası üzerinde hızlandırılması gerekir.
Ancak ZK algoritmalarının çeşitliliği nedeniyle (özellikle ZK algoritmaları, ZK kanıt oluşturmadaki hesaplamalı işlemleri ifade eder) bu imkansız görünmektedir. Örneğin, yukarıdaki Twitter ekran görüntüsünde Poseidon Hash, EVM ve GPT-2 olmak üzere üç ZK devresi gösterilmektedir. Her ne kadar aynı kanıt arka ucu (Halo 2-KZG) kullanılsa da, özellikle tanık oluşturma kısmında hesaplamalar hala çok farklıdır. Ekran görüntüleri aynı zamanda farklı prova arka uçlarını da içermez (Plonky 2/3 ve Gnark gibi).
Burada vurgulamak istediğimiz nokta, donanımın ZK algoritmasının çeşitli çip üstü hesaplama işlemlerini barındırabilecek kadar çok yönlü olması gerektiğidir. Bu çok yönlülük, 2022 tweet'inde önerdiğimiz gibi, FPGA'ler ve ASIC'lerden oluşan hibrit bir yapı aracılığıyla elde edilebilir:
FGPA-ASIC hibrit mimarisi
Bu hibrit mimaride ASIC ortak işlemleri gerçekleştirirken FPGA devreye özel hesaplamalar gerçekleştirir. Daha sonra iki donanım cihazı aynı PCB kartına monte edilir ve yüksek bant genişliğine sahip bir SerDes kanalı aracılığıyla bağlanır. Alternatif olarak, RISC-V tabanlı veya ARM tabanlı gibi çip üzerindeki CPU çekirdekleri de benzer amaçlar için kullanılabilir. Bu hibrit yöntemler genellikle maliyet ve üretim kalitesi açısından son derece yüksek gereksinimlere sahiptir. Geçtiğimiz altı ay boyunca kendimize şu soruyu sorduk:
"Hibrit" aklımıza gelebilecek en iyi yapı mıdır? Tasarımlarımızı geliştirmek için ZK topluluğunun teknolojik ilerlemelerine güvenebilir miyiz? Aşağıda yukarıdaki sorulara olumlu yanıtlar veriyoruz.
Teknik ayrıntılara girmeden önce sıfır bilgi kanıtları (ZKP'ler) hakkında bazı temel bilgileri ele almamız gerekiyor. Plonkish kanıt sisteminin tipik kanıt oluşturma süreci aşağıdaki aşamalara ayrılabilir (kanıt oluşturmanın ayrıntılı bir analizi için lütfen bu blogu Scroll ile okuyun):
- Kayıt tanığı: tanık, aynı zamanda iz olarak da bilinir. Diğer verilerle birlikte bir ifadenin neden doğru olduğunu gösteren bazı verileri ifade eder. Günlük kaydı, izleme tablosu adı verilen iki boyutlu bir matris aracılığıyla yapılır. Bu tablodaki her giriş, sonlu bir alanın bir öğesidir. İzleme tablosunu doldurma işlemine "tanık oluşturma" denir ve tablodaki her hücrenin yinelenmesini ve doğru değerlerin doldurulmasını gerektirir. Bu süreç, sonlu alanlarda aritmetik işlemler gerektirir ve belirli ZK devresine göre özelleştirilmiştir.
- Tanığı gönderin: Tanık oluşturulduktan sonra, Lagrangian enterpolasyonu yoluyla her sütunun bir polinom olarak yorumlandığı bir izleme tablosu elde ederiz. Bu polinomlar daha sonra KZG ve FRI gibi farklı taahhüt mekanizmaları kullanılarak gerçekleştirilebilir. Burada yer alan ana hesaplamalar polinom çarpımını (MSM), sayı teorik dönüşümünü (NTT), polinom karelerini ve Merkle ağaçlarını içerir. Bu, büyük sonlu alanlardaki karmaşık hesaplamalar ve gereken büyük miktarda veri nedeniyle kanıt oluşturma açısından bir darboğaz haline gelir.
- Tanığın doğruluğunun kanıtlanması: Artık iz tablosu doldurulur ve taahhüt hesaplanır. Geriye kalan tek şey takibin geçerli olduğunu göstermektir. Bu, belirli kısıtlamaların karşılandığı anlamına gelir. İlgili hesaplamalar sayı teorik dönüşümlerini (NTT), polinom çarpımını (MSM) ve polinom düzleştirmeyi içerir.
Özetlemek gerekirse, kanıt oluşturmadaki hesaplamalar birkaç ortak modülü içerir: polinom çarpımı (MSM), sayı-teorik dönüşümü (NTT), Merkle ağaçları ve polinom düzleştirmenin yanı sıra bazı ek modüller gibi.
Önceki blogumuzda bu ortak modülleri optimize etmek için bazı gelişmiş stratejiler göstermiştik. Geçtiğimiz birkaç yılda topluluk, bu ortak modülleri hızlandırmayı vaat eden bir dizi teknik de önerdi (Ulvetanna, Ingonyama ve diğer grupların çalışmalarına bakın). Bu teknikleri burada tekrar etmeyeceğiz.
Bu modüller artık performans açısından bir darboğaz değil, ancak uçtan uca kanıtlama hızı tatmin edici olmaktan uzak. Bu yarı pişmiş hızlandırıcı, bazı performans iyileştirmelerine sahip özel bir GPU sürümü olarak düşünülebilir. Kabaca bir karşılaştırma şu şekildedir:
- Avantajları: Geleneksel GPU tarzı SIMD/SIMT paralel hesaplama modeline ek olarak ZK hesaplama da özel olarak desteklenmektedir. Bu, en son CUDA programlama becerilerine (büyük tamsayı işlemleri yazmak için CUDA kullanmak gibi) güvenmeden ZK işlemlerini tam performansla uygulamamıza olanak tanır.
- Dezavantajları: Programlama karmaşıklığı
- Hızlandırıcı için, kısmi kanıtlayıcılar hızlandırıcıya yerleştirildiğinde "doğrudan kağıttan çevrilmiş gibi görünen" bir kodlama deneyimi sağlamak amacıyla yapay zekadaki PyTorch stiline benzer üst düzey bir programlama modeli sağlıyoruz. Donanım düzeyinde esnek planlama ve kontrol yetenekleri sunsak da, bu yine de temeldeki donanım tasarımının anlaşılmasını gerektirir.
- CUDA kullanan GPU kullanıcıları, doğrudan çalışırken nispeten tam bir kontrol özgürlüğüne sahiptirler. İsteğe bağlı optimizasyonlar yapabilirler. Ancak bu aynı zamanda her şeye sıfırdan başlamaları gerektiği anlamına da geliyordu.
Açıkçası, bu yarı pişmiş hızlandırıcı, uçtan uca kanıtlanmış optimum hızlanma veya kullanıcı dostu bir programlama arayüzü elde edemiyor. Açıkça planımıza bazı yeni unsurlar eklememiz gerekiyordu.
Bu yeni öğe zkVM'dir!
Temel olarak diğer programları çalıştırabilen bir program olan sanal makine (VM), bilgisayar biliminde eski bir konudur. Örneğin, Ethereum Sanal Makinesi (EVM), Ethereum akıllı sözleşmelerini çalıştırabilir ve desteklediği talimatlar bu sarı belgede belirtilmiştir. Sıfır bilgi geçirmez sistemlerin devreler içerdiğini biliyoruz, dolayısıyla zkVM bir dizi destekleyici talimatı çalıştırabilen bir devredir. Yürütme sonuçlarına ek olarak zkVM, talimat dizisine karşılık gelen VM yürütme izinin geçerli olduğunu gösteren bir kanıt da üretir.
Kısacası zkVM, bir VM'yi çalıştırabilen bir ZK devresidir (David Wong'un makalesinden özetlenmiştir).
zkVM tasarımında dikkate alınmaya değer iki bölüm vardır:
- Desteklenen talimat seti: VM'nin gerçekleştirebileceği işlemler anlamına gelir. Bu alanda RISC-V, MIPS veya özelleştirilmiş komut setleri gibi farklı komut setleri üzerinde çalışan Risc 0, Succinct, Starknet, Polygon, Metis vb. gibi birçok yerleşik oyuncu bulunmaktadır.
- ZK Mimarisi: Bu bölüm, yürütme sonuçlarıyla birlikte oluşturulan ZK kanıtlarını içerir. ZK mimarisi, temel VM tasarımından neredeyse bağımsızdır ancak yine de dikkate alınması gereken bazı hassas dengeler vardır.
ZkVM tasarımında devam adı verilen ( RISC 0'dan ) hoş bir özellik vardır. zkVM yürütmesinde devamlılık, aşağıdaki şekilde gösterildiği gibi büyük bir programı bağımsız olarak hesaplanabilen ve kanıtlanabilen çeşitli parçalara bölmek için kullanılan bir mekanizmadır:
Segmentasyon süreci (Kaynak: Risk 0)
Bu özellik aşağıdaki nedenlerden dolayı donanım dostudur:
- Paralellik: Bu bölünmüş parçalar birbirinden bağımsız olduğundan, aynı anda karşılık gelen kanıtları oluşturmak için birden fazla donanıma dağıtılabilirler.
- G/Ç bant genişliği gereksinimlerini en aza indirin: zkVM'nin kanıt oluşturma süreci "küçük giriş, küçük çıkış" modelini takip eder. Örneğin, Risc 0'da, oluşturulan kanıt parçasının boyutu yaklaşık 50 MB'tır ve çıktının boyutu yaklaşık 250 KB olan FRI tabanlı bir kanıttır. Bu özel mod, G/Ç bant genişliği gereksinimlerini büyük ölçüde azaltır.
- Kontrol edilebilir bellek gereksinimleri: Her ne kadar prova üreten çekirdeğin giriş ve çıkışları küçük olsa da, bellek gereksinimleri büyüktür ve onlarca GB aralığında değişir. Ancak gerekli bellek miktarı, zkVM'nin tasarımına göre ayarlanabilen parça boyutuna bağlıdır.
Bu donanım dostu özellikleri temel alarak donanım tasarımımızı aşağıda açıklıyoruz.
Programın yürütülmesinden sorumlu bir uygulayıcı, çeşitli "dilimlerin (yukarıda belirtildiği gibi)" kontrol edilmesinden ve tahsis edilmesinden sorumlu donanım ve programın her bir parçası için ZK kanıtları oluşturmak üzere yapılandırılabilir sayıda özel çip ile sistemin mimarisi nispeten basittir. programı.
Bu basit mimari, donanımımızın esnek bir form faktörüne sahip olmasını sağlar. Bir yürütücüyü (zayıf bir CPU veya çip üzerinde CPU çekirdeği kullanarak), belirli sayıda zkVM yongasını ve diğer gerekli donanım bileşenlerini (bellek gibi) tek bir kasada paketleyebiliriz. Daha basit bir durum, birden fazla çipi Macbook şarj cihazı gibi taşınabilir bir makineye paketlemek olabilir.
zkVM donanımı birkaç bilgi işlem çekirdeği içerir:
- Vektörizasyon işlemleri için programlanabilir bir vektör makinesi kullanılır.
- 31 bit, 64 bit ve 256 bit alanlar için özel NTT modülü.
- BN 254, BLS 12 – 377 ve BLS 12 – 388 eğrilerini destekleyen özel MSM modülü.
- Saha operasyonlarına dayalı karma işlevleri için yapılandırılabilir karma işlev birimi.
zkVM'nin getirdiği avantajlara ek olarak, ZK-ASIC'lerin tasarımına yönelik bu yeni paradigma aynı zamanda kişisel veya kurumsal kullanıma yönelik aşağıdaki gibi bir dizi mükemmel ürüne de dönüşmüştür:
ZK ASIC ürünleri
zkVM donanım projesi Cysic, çok çeşitli kullanım senaryolarına, performansa ve geliştirme verimliliğine uygun, performanslı, uygun maliyetli donanımlar oluşturmayı amaçlamaktadır. Donanım tasarımlarımızı geliştirmek ve genişletmek için farklı bakış açıları, yenilikçi fikirler ve kararlı yatırımlar ararız. Topluluğun katılımını ve katkısını sabırsızlıkla bekliyoruz ve katılmak isteyen herkese rehberlik ve destek sağlamaya hazırız.
Tüm Yorumlar