في ظل التطور المتزايد لتقنيات الذكاء الاصطناعي (AI)، أصبح البحث عن الجيران الأقرب (Approximate Nearest Neighbor - ANN) أحد التحديات الكبيرة، خاصة عند التعامل مع بيانات حساسة على بنى تحتية خارجية. توفر البيئات التنفيذية الموثوقة (Trusted Execution Environments - TEEs) حماية فريدة، إلا أن معظم الحلول تعتمد على وحدات التخزين الخارجية (SSDs)، مما يؤدي إلى تسرب استعلامات المستخدم من خلال أنماط الوصول إلى القرص.

تعتبر ذاكرة الوصول العمياء الخفية (Oblivious RAM - ORAM) وسيلة لإخفاء أنماط الوصول، ولكنها تأتي بتكلفة مرتفعة. وعند اقترانها بتقنيات البحث عن الجيران الأقرب المعتمدة على الأقراص، فإنها لا تستفيد بشكل جيد من موارد SSD، مما يسبب تأخيرًا مرتفعًا وكفاءة ضعيفة من حيث التكلفة.

التحدي الأساسي هنا هو تحقيق توازن بين عرض النطاق (Bandwidth) وعدد الوصولات (Access Count). الحلول الحالية تعتمد على خفض عدد الوصولات على مستوى ANN وزيادة عرض النطاق على مستوى ORAM، مما يؤدي إلى استغلال موارد النظام بشكل مفرط.

تقدم Onyx حلاً مبتكرًا يعكس هذا التوجه التقليدي، حيث يقوم بتقليل استهلاك عرض النطاق في طبقة ANN وعدد الوصولات في طبقة ORAM. وتعتبر هذه التعديلات مناسبة بشكل أكبر لأدوارها الجديدة، حيث تسمح التقنيات المرتبطة بـ ANN بكفاءة أكبر في عرض النطاق، بينما تقدم ORAM مزيدًا من المرونة في عدد الوصولات.

المكونات المبتكرة المقدمة في Onyx تشمل Onyx-ANNS، والتي تقدم تمثيلًا وسطيًا مضغوطًا يعمل على تقليل الوصولات الكثيفة بالنسبة لعرض النطاق دون التأثير على دقة النتائج، وOnyx-ORAM التي تعتمد تصميم شجرة ضحلة مدرك للموقع لتقليل عدد الوصولات مع الاحتفاظ بكفاءة عرض النطاق.

عند مقارنتها بأحدث أنظمة البحث المجهولة عن الجيران الأقرب، حققت Onyx انخفاضًا يصل إلى 9.9 مرة في التكلفة وتأخيرًا يصل إلى 12.3 مرة أدنى. استعدوا لاستكشاف هذا الجيل الجديد من أنظمة البحث المتطورة في الذكاء الاصطناعي!