Software development technology for high-performance biometric data comparators using selective SIMD vectorization

Юрій Сергійович Погуляєв; Кирило Сергійович Смеляков

doi:10.26642/ten-2025-2(96)-117-127

Автор(и)

Юрій Сергійович Погуляєв Харківський національний університет радіоелектроніки, Україна https://orcid.org/0009-0005-5883-1661
Кирило Сергійович Смеляков Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-9938-5489

DOI:

https://doi.org/10.26642/ten-2025-2(96)-117-127

Ключові слова:

біометрична ідентифікація, векторизація, SIMD, паралелізація, продуктивність, AVX, SSE, технологія розробки ПЗ

Анотація

Це дослідження представляє систематичну методологію розробки програмного забезпечення для високопродуктивних компараторів біометричних даних, засновану на принципах вибіркової векторизації SIMD. Технологія вирішує важливу проблему вибору найкращої стратегії оптимізації, створюючи теоретичну основу, яка вказує, коли й де використовувати векторизацію замість звичайної паралелізації на різних етапах алгоритму. Технологія поєднує модель Roofline для обчислювальних обмежень та Універсальний закон масштабованості для тестування паралельних систем, щоб надати розробникам таксономії ефективності та критерії прийняття рішення щодо використання векторизації в біометричних системах, які обробляють мільйони зразків. Для валідації технології використовувався чотириетапний алгоритм порівняння відбитків пальців на основі мінуцій, що виконувався за допомогою різних обчислювальних методів: традиційне паралелізування на основі потоків, векторизація SIMD з використанням інструкцій SSE та AVX, а також гібридні методології, що інтегрують обидва методи. В експериментальній валідації використовувалася архітектура Intel Core i9 разом з базою даних FVC 2000, що містить 80 зображень відбитків пальців та 4421 точку мінуцій, з використанням суворих статистичних методологій протягом кількох ітерацій. Алгоритм містить вилучення дрібних частинок з квадратів центроїдів, обчислення локальних евклідових структур, аналіз геометричних відстаней і кутів, а також глобальне зіставлення з розрахунками зміщення. Результати показали неочікувані результати, які суперечать поширеним уявленням про оптимізацію. Гібридна реалізація продемонструвала стабільне покращення продуктивності у всіх випадках, зі збільшенням швидкості у 2,66 раза з 32 потоками та покращенням у 3,40 раза з повними наборами даних. Це було очікувано, оскільки повна векторизація SIMD працювала не так добре, як традиційна паралелізація, через високу алгоритмічну взаємозалежність. Аналіз профілювання показав, що паралельна та гібридна версії мали однакові обчислювальні етапи. Це означає, що підвищення продуктивності відбулося завдяки вторинним ефектам оптимізації, таким як краще вирівнювання пам’яті, краще використання кешу завдяки рівномірному розподілу словника та оптимізація, індукована компілятором, під час доступу до поля об’єкта. Дослідження створює технологічну основу для вибіркової векторизації в біометричних додатках. Це надає розробникам програмного забезпечення систематичний спосіб створення високопродуктивних систем ідентифікації, які можна використовувати в реальних ситуаціях, де їх потрібно використовувати у великих масштабах.

Посилання

Deshpande, U.U., Malemath, V.S., Patil, S.M. and Chaugule, S.V. (2020), «CNNAI: A convolution neural network-based latent fingerprint matching using the combination of nearest neighbor arrangement indexing», Frontiers in Robotics and AI, Vol. 7, doi: 10.3389/frobt.2020.00113.

Grosz, S.A. and Jain, A.K. (2024), «AFR-Net: Attention-driven fingerprint recognition network», IEEE Transactions on Biometrics, Behavior, and Identity Science, Vol. 6, No. 1, рр. 30–42, [Online], available at: arXiv: 2211.13897

Minaee, S., Azimi, E. and Abdolrashidi, A. (2019), «FingerNet: Pushing the limits of fingerprint recognition using convolutional neural network», arXiv preprint, [Online], available at: arXiv:1907.12956

Nguyen, D.-L., Cao, K. and Jain, A.K. (2018), «Robust minutiae extractor: Integrating deep networks and fingerprint domain knowledge», Proceedings of the International Conference on Biometrics (ICB), Gold Coast, Australia, [Online], available at: https://github.com/luannd/MinutiaeNet

Tandon, S. and Namboodiri, A. (2022), «Transformer based fingerprint feature extraction», Proceedings of the 26th International Conference on Pattern Recognition (ICPR), Montreal, Canada, рр. 870–876, [Online], available at: arXiv: 2209.03846

Tang, Y., Gao, F., Feng, J. and Liu, Y. (2017), «FingerNet: An unified deep network for fingerprint minutiae extraction», Proceedings of the IEEE International Joint Conference on Biometrics (IJCB), Denver, USA, doi: 10.1109/BTAS.2017.8272688.

Fillinger, A., Diduch, L., Hamchi, I. and Stanford, V.M. (2011), «Experiments in parallel fingerprint matching: Architectural implications for large scale fingerprint matching evaluation systems», NIST Interagency/Internal Report (NISTIR), doi: 10.6028/NIST.IR.7754.

Gutierrez, P.D., Lastra, M., Herrera, F. and Benitez, J.M. (2014), «A high performance fingerprint matching system for large databases based on GPU», IEEE Transactions on Information Forensics and Security, Vol. 9, No. 1, рр. 62–71, doi: 10.1109/TIFS.2013.2291969.

Guermouche, A. and Orgerie, A.-C. (2022), «Thermal design power and vectorized instructions behavior», Concurrency and Computation: Practice and Experience, Vol. 34, No. 2, doi: 10.1002/cpe.6261.

Jakobs, T., Naumann, B. and Rünger, G. (2020), «Performance and energy consumption of the SIMD Gram–Schmidt process for vector orthogonalization», The Journal of Supercomputing, Vol. 76, рр. 1999–2021, doi: 10.1007/s11227-019-02839-0.

Schöne, R., Ilsche, T., Bielert, M. et al. (2019), «Energy efficiency features of the Intel Skylake-SP processor and their impact on performance», Proceedings of the IEEE High Performance Computing & Simulation (HPCS), Dublin, Ireland, рр. 399–406, doi: 10.1109/HPCS48598.2019.9188239.

Zhang, N., Fu, S. and Franchetti, F. (2024), «Towards closing the performance gap for cryptographic kernels between CPUs and specialized hardware», Proceedings of the 58th IEEE/ACM International Symposium on Microarchitecture (MICRO '25), doi: 10.1145/3725843.3756120.

Koval, L.H., Zlepko, S.M., Novitskyi, H.M. and Krekoten, Ye.H. (2019), «Methods and technologies of biometric identification by results of literary sources», Scientific Notes of Taurida National V.I. Vernadsky University. Series. Technical Sciences, Vol. 30 (69), Part 1, No. 2, рр. 104–112.

Yanko, A., Martynenko, A. and But, O. (2021), «Methods of using SIMD instructions on x86-compatible processors of older generation», Control, Navigation and Communication Systems. Collection of Scientific Papers, No. 4, рр. 44–51, doi: 10.26906/SUNZ.2021.4.044.

Popov, O.V., Rudych, O.V. and Chistyakov, O.V. (2018), «Multilevel model of parallel computing for linear algebra problems», CEUR Workshop Proceedings, Vol. 2139, рр. 83–92, [Online], available at: https://ceur-ws.org/Vol-2139/83-92.pdf

Doroshenko, A.Yu. and Beketov, O.G. (2017), «Method of parallelization of loops for grid calculation problems on GPU accelerators», Problems in Programming, No. 1, рр. 59–66, doi: 10.15407/pp2017.01.059.

Shkil, O., Filippenko, O., Rakhlis, D. et al. (2024), «Analysis of the implementation efficiency of digital signal processing systems on the technological platform SoC ZYNQ 7000», Radioelectronic and Computer Systems, No. 4, рр. 91–98, doi: 10.32620/reks.2024.4.14.

Pohuliaiev, Y. (2025), «Software implementation of biometry comparison with selective SIMD usage (Version 1.0.0)», Kharkiv National University of Radio Electronics, doi: 10.5281/zenodo.17571115.