تراشه آنها از یک الگوریتم رمزگشایی جهانی استفاده می کند که تیم قبلا توسعه داده بود، که می تواند هر کد تصحیح خطا را باز کند. به طور معمول، سخت افزار رمزگشایی فقط می تواند یک نوع کد خاص را پردازش کند. این تراشه رسیور جدید و جهانی رکورد رمزگشایی کم مصرف را شکسته است و بین 10 تا 100 برابر بهتر از سایر سخت افزارها عمل می کند.
این تیم همچنین در حال بررسی راه هایی برای تغییر مدولاسیون انتقال است تا بتوانند از بهره وری بهبود یافته تراشه ORBGRAND بهره ببرند. آنها همچنین قصد دارند ببینند که چگونه می توان از تکنیک آنها برای مدیریت موثرتر انتقال های متعددی که همپوشانی دارند استفاده کرد.
هنگامی که آنها رویکرد خود را با سایر تراشه‌ها مقایسه کردند، ORBGRAND با حداکثر دقت رمزگشایی کرد در حالی که تنها 0.76 پیکوژول انرژی در هر بیت مصرف می‌کرد و رکورد عملکرد قبلی را شکست. ORBGRAND بین 10 تا 100 برابر کمتر از سایر دستگاه ها انرژی مصرف می کند.
ORBGRAND به محض یافتن یک کلمه رمز، مرتب سازی را متوقف می کند، که اغلب خیلی زود است. این تراشه همچنین از موازی سازی، تولید و آزمایش الگوهای نویز متعدد به طور همزمان استفاده می کند تا کلمه کد را سریعتر پیدا کند. از آنجایی که رمزگشا پس از یافتن کلمه رمز کار نمی کند، مصرف انرژی آن کم می ماند حتی اگر چندین فرآیند را به طور همزمان اجرا کند.
بازده رکورد شکنی
داده های دیجیتال از طریق یک شبکه به شکل بیت (0 و 1) منتقل می شوند. یک فرستنده داده ها را با افزودن یک کد تصحیح کننده خطا رمزگذاری می کند، که یک رشته اضافی از 0 و 1 است که می تواند به عنوان یک هش مشاهده شود. اطلاعات مربوط به این هش در کتاب کد خاصی نگهداری می شود. یک الگوریتم رمزگشایی در گیرنده، که برای این کد خاص طراحی شده است، از کتاب کد و ساختار هش برای بازیابی اطلاعات اصلی استفاده می کند، که ممکن است توسط نویز به هم ریخته باشد. از آنجایی که هر الگوریتم مختص کد است و بیشتر آنها به سخت افزار اختصاصی نیاز دارند، یک دستگاه برای رمزگشایی کدهای مختلف به تراشه های زیادی نیاز دارد.
محققان قبلا GRAND (حدس زدن رمزگشایی نویز افزودنی تصادفی)، یک الگوریتم رمزگشایی جهانی را نشان دادند که می‌تواند هر کدی را بشکند. GRAND با حدس زدن نویز تأثیرگذار بر انتقال، کم کردن الگوی نویز از داده‌های دریافتی، و سپس بررسی آنچه در کتاب کد باقی می‌ماند، کار می‌کند. یک سری الگوهای نویز را به ترتیب احتمال وقوع آنها حدس می زند.
Médard توضیح می دهد: “با یک رمزگشای سنتی، نقشه ماشین را بیرون می آورید و تک تک قطعات را بررسی می کنید. مشکل را پیدا خواهید کرد، اما زمان زیادی طول می کشد و بسیار ناامید خواهید شد.”
این تحقیق تا حدی توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی ایالات متحده (دارپا) و بنیاد علمی ایرلند تامین می شود.
منبع
“اگر ماشین شما کار نمی کند، اطلاعات نرم ممکن است به شما بگوید که احتمالا باتری است. اما اگر باتری به تنهایی نیست، شاید این باتری و دینام با هم هستند که باعث ایجاد مشکل شده اند. فرد منطقی عیب‌یابی می‌کند — شما می‌گویید که این دو چیز با هم پیش از پایین رفتن در فهرست به چیزی که احتمال آن بسیار کمتر است، می‌توان گفت.
نویسنده اصلی مدارد، ارسلان ریاز، دانشجوی کارشناسی ارشد در دانشگاه بوستون (BU) است. Rabia Tugce Yazicigil، استادیار مهندسی برق و کامپیوتر در BU; و Ken R. Duffy، مدیر وقت مؤسسه همیلتون در دانشگاه مینوت و اکنون استاد دانشگاه نورث ایسترن، و همچنین سایرین از MIT، BU، و دانشگاه Maynooth. این کار در کنفرانس بین المللی مدارهای حالت جامد ارائه شده است.
Médard می گوید یکی از بزرگترین چالش های توسعه تراشه جدید ناشی از کاهش مصرف انرژی است. با ORBGRAND، تولید توالی نویز اکنون آنقدر انرژی کارآمد است که سایر فرآیندهایی که محققان قبلاً روی آنها تمرکز نکرده بودند، مانند بررسی کلمه کد در کتاب کد، بیشتر تلاش را صرف می کند.
این رویکرد بسیار کارآمدتر از رمزگشاهای سنتی است، که در عوض به ساختار کد نگاه می کنند و عملکردی دارند که عموماً برای بدترین حالت طراحی شده است.
داده ها اغلب با اطلاعات قابل اعتماد دریافت می شوند که به آن اطلاعات نرم نیز گفته می شود، که به رمزگشا کمک می کند تا بفهمد کدام قطعات خطا هستند. تراشه رمزگشایی جدید که ORBGRAND (بیت های قابلیت اطمینان مرتب شده GRAND) نام دارد، از این اطلاعات قابلیت اطمینان برای مرتب کردن داده ها بر اساس احتمال خطا بودن هر بیت استفاده می کند.
اما به سادگی سفارش دادن تک بیت ها نیست. در حالی که غیر قابل اطمینان ترین بیت ممکن است محتمل ترین خطا باشد، شاید بیت های سوم و چهارم غیرقابل اعتماد در کنار هم به اندازه بیت هفتم غیر قابل اطمینان ترین خطا باشند. ORBGRAND از یک مدل آماری جدید استفاده می‌کند که می‌تواند بیت‌ها را به این روش مرتب کند، با توجه به اینکه چندین بیت با هم به اندازه برخی بیت‌های منفرد احتمال خطا دارند.
او می‌گوید: «اکنون، این فرآیند بررسی، که مانند روشن کردن خودرو برای دیدن کارکرد آن است، سخت‌ترین بخش است. بنابراین، ما باید راه‌های کارآمدتری برای انجام آن پیدا کنیم.
این اولین باری است که کسی از سد 1 پیکژول در هر بیت برای رمزگشایی می‌شکند. این تقریباً همان مقدار انرژی است که شما برای انتقال کمی به داخل سیستم نیاز دارید. این یک آستانه نمادین بزرگ بود، اما همچنین موریل مدارد، استاد علوم و مهندسی نرم‌افزار دانشکده علوم NEC، می‌گوید: تعادل گیرنده را تغییر می‌دهد که ممکن است مهم‌ترین بخش از منظر انرژی باشد – ما می‌توانیم آن را از رمزگشا به عناصر دیگر منتقل کنیم. استاد دپارتمان مهندسی برق و علوم کامپیوتر و یکی از نویسندگان مقاله ای که تراشه جدید را ارائه می کند.
این پیشرفت می تواند دستگاه های تلفن همراه را با تراشه های کمتری فعال کند، زیرا آنها دیگر نیازی به سخت افزار جداگانه برای چندین کد ندارند. این امر باعث کاهش میزان مواد مورد نیاز برای ساخت، کاهش هزینه ها و بهبود پایداری می شود. با کاهش انرژی فرآیند رمزگشایی، تراشه می تواند عملکرد دستگاه را بهبود بخشد و عمر باتری را افزایش دهد. این می تواند به ویژه برای برنامه های کاربردی مانند واقعیت افزوده و واقعیت مجازی و شبکه های 5G مفید باشد.
تصور کنید از یک برنامه بانکداری آنلاین برای واریز پول به حساب خود استفاده می کنید. مانند تمام اطلاعاتی که از طریق اینترنت ارسال می شود، این ارتباطات ممکن است توسط نویزهایی که خطاها را در داده ها وارد می کند، خراب شوند.
مرتب سازی هوشمندانه تر
برای غلبه بر این مشکل، فرستنده ها داده ها را قبل از ارسال کدگذاری می کنند و سپس گیرنده از یک الگوریتم رمزگشایی برای تصحیح خطاها و بازیابی پیام اصلی استفاده می کند. در برخی موارد، داده‌ها با اطلاعات قابلیت اطمینان دریافت می‌شوند که به رمزگشا کمک می‌کند تا بفهمد کدام بخش‌های انتقال احتمالاً خطا دارند.
محققان MIT و جاهای دیگر یک تراشه رمزگشا را توسعه داده‌اند که از یک مدل آماری جدید برای استفاده از این اطلاعات قابلیت اطمینان به روشی بسیار ساده‌تر و سریعتر از تکنیک‌های معمولی استفاده می‌کند.
Matthew Newman
Matthew Newman
Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasetsView all posts by Matthew Newman →
