변형: 어둠 속에서 구축하고 현재 암호화폐 개인 정보 보호 환경을 매핑합니다.
원저자: Derek Walkush, Variant Fund의 투자 파트너
원곡: 루피, 포사이트 뉴스
미래에는 대부분의 온체인 거래가 비공개가 될 수 있습니다.
암호화폐의 투명성은 많은 애플리케이션 개발자를 방해합니다. 개발자가 민감한 사용자 데이터를 사용하여 애플리케이션을 구축할 수 있는 설계 공간은 게임부터 개인 정보 보호 주문서, MEV 인프라에 이르기까지 방대합니다.
2015년부터 2022년까지 데이터 유출 건수는 두 배 이상 증가했으며, 이제 기술 소비자는 개인 데이터 보호에 대해 더욱 우려하고 있습니다. 개인 정보 보호에 대한 우려가 줄어들 수도 있지만 더 큰 추세가 분명해지고 있습니다. 즉, 대규모 데이터 수집과 데이터 상용화가 증가함에 따라 거대 기술 기업과 이러한 허니팟을 표적으로 삼는 기업의 온라인 발자국을 추적하는 것이 점점 더 쉬워지고 있다는 것입니다.
성숙한 앱 카테고리 내에서 일부 기존 앱은 개인정보 보호를 최우선으로 하는 새로운 도전 과제에 직면해 있습니다. 2019년부터 2021년까지 Telegram 및 Signal과 같은 암호화된 메시징 앱의 등장을 살펴보세요. 암호화폐 분야에서 Brave는 최근 하락장에서 인상적인 성장을 보여 2023년 11월 ATH MAU가 6,600만 명에 이르렀습니다. 상황을 좀 더 넓게 보면, 이는 2022년 Firefox 사용자 기반의 약 15%에 해당합니다. 결과적으로, 현재 많은 암호화폐 프로젝트는 개인 정보 보호 애플리케이션 구축을 최대한 쉽게 만드는 강력한 제품화된 도구 및 솔루션을 제공하기 위해 경쟁하고 있습니다.
암호화폐에 개인 정보 보호 기술을 활용한 사례는 셀 수 없이 많습니다. 소비자 측면에서는 포커나 포그 오브 워(Fog of War)와 같은 풀체인 개인 정보 보호 게임에 대한 흥미로운 실험이 진행되고 있습니다. DeFi 분야에서는 공개 시장 참가자가 볼 수 없는 거래 환경인 암흑 주문장을 구축하는 사람들도 있습니다. (약간의 배경 설명을 위해 2019년 4월 다크 풀 실행량은 기존 주식 거래량의 약 40%를 차지했습니다.) 다크 풀 유동성은 MEV를 줄여 보다 효율적인 시장 결과를 가져올 수도 있습니다. 블록체인의 완전한 공개적 특성으로 인해 많은 기존 거래 회사는 복잡한 전략을 실행하는 것이 금지되어 있으므로 개인 거래는 보다 전문적인 금융 플레이어가 암호화폐 생태계에 진입할 수 있는 문을 열 수 있습니다.
암호화폐의 사용자 개인 정보 보호 부족은 채택 확대에 있어 여전히 병목 현상으로 남아 있습니다. 새로운 개인 정보 보호 기대치에 적응하려면 암호화폐 앱 빌더는 처음부터 개인 정보 보호를 우선시해야 합니다.
그렇다면 암호화폐 앱 빌더는 개인 정보 보호 솔루션을 어떻게 탐색해야 할까요?
사용자 개인 정보를 보호하는 방법
현재 프라이빗 애플리케이션을 구축하는 데 사용되는 주요 공통 방법은 TEE(Trusted Execution Environment), ZK(Zero Knowledge), MPC(Multi-Party Computation) 및 FHE(Fully Homomorphic Encryption)입니다. 다음은 대표적인 프로젝트와 함께 각 접근 방식에 대한 간략한 개요입니다.
전체 분야는 아직 초기 단계에 있으므로 다음 비교는 향후 몇 년 동안 각 기술이 어떻게 발전할 것인지에 대한 예측일 뿐입니다. 이러한 방법은 동등하거나 상호 교환이 불가능하며 요약하면 전용 하드웨어(TEE)와 암호화(ZK, MPC, FHE)로 크게 나눌 수 있습니다. 게다가 그 중 상당수는 실제로 중복됩니다. 예를 들어 FHE는 ZK 또는 MPC와 함께 사용해야 합니다. 즉, 각 접근 방식의 궤적을 검토함으로써 우리는 개인 정보 보호가 어떻게 더 광범위하게 발전하는지에 대한 통찰력을 얻을 수 있습니다.
TEE
설명: 신뢰할 수 있고 안전한 오프체인 컴퓨팅 환경
프로젝트: ARM TrustZone, AWS Nitro, Intel SGX, 비밀 네트워크
ZK
설명: 영지식 암호화를 적용하여 개인 데이터 및 계산을 인증합니다.
프로젝트: Aleo, Aztec, Mina, Nocturne, 프라이버시 풀
MPC
설명: 별도의 개인 데이터에 대해 공동 계산을 수행합니다.
프로젝트: 닐리언
FHE
설명: 암호화된 데이터 계산
프로젝트: Fhenix, Inco, 자외선 차단제, Zama
인프라를 선택하는 두 가지 주요 요소는 개인 정보 보호 신뢰 가정과 성능입니다. 이는 매우 미묘한 용어이며 아래 다이어그램에서는 두 개념을 모두 설명합니다. 이는 데이터가 비공개로 유지된다는 가정(개인 정보 보호 애플리케이션 구축을 고려하는 개발자에게 매우 중요함)과 특정 수준의 성능 달성과 관련된 절충안을 보여줍니다.
시간이 지남에 따라 시장의 힘이 이러한 기술 중 다수에 대해 보다 효율적인 결과를 가져올 것으로 기대할 수 있습니다. 하드웨어 가속 및 기타 촉매제는 신기술의 성능을 크게 향상시킬 수 있지만, 시기는 상당히 불분명합니다. 장기적으로 이러한 접근 방식은 모두 시장에서 자리를 잡을 수 있습니다.
아래 차트는 구성 가능성(다른 애플리케이션이 개인 정보 보호 상태와 상호 작용하는 능력을 의미함), 기술적 복잡성, 분산형 프로토콜을 생성할 가능성, 현재 성능 수준(잠재적 처리량을 의미함) 및 최상의 사용 사례를 포함한 각 주요 차원을 비교합니다. 앞서 언급한 차원에서. 차트는 각 방법의 성능 수준에 대한 장단점으로 볼 수 있습니다.
위에 표시된 것처럼 각 접근 방식에는 서로 다른 장단점이 있습니다. 어느 누구도 다른 제품을 완전히 능가할 수는 없지만 각 제품에는 적절한 특정 범주의 응용 프로그램이 있습니다. 예를 들어, 보다 중앙화된 암흑 주문장을 구축하는 회사는 TEE를 사용할 수 있는 반면, 개인 정보 보호 대출 프로토콜을 구축하는 프로젝트는 FHE 또는 ZK를 선택할 수 있습니다.
많은 기술을 결합할 수 있으며 그 교차점은 종종 가장 흥미로운 접근 방식 중 일부입니다. 예를 들어, ZKP는 TEE 기반 암흑 주문 장부에서 운영자 기능을 제거하는 데 사용할 수 있는 반면, MPC는 FHE에서 암호화 키를 배포하는 데 자주 사용됩니다. 이러한 분류의 목적은 각 개별 접근 방식에 대한 최고 수준의 기술적 고려 사항을 추출하는 것입니다. 마지막으로, 이 범주에는 잠재적인 불법 활동에 대한 명확한 규제적 의미가 있으므로 인프라 구축업체가 규정 준수에 주의를 기울이는 것이 중요합니다.
각 방법의 장단점
TEE
TEE(신뢰할 수 있는 실행 환경)에는 신뢰할 수 있고 안전한 환경의 오프체인 컴퓨팅이 포함됩니다. TEE는 이미 많은 암호화 조직에서 다양한 작업에 사용되고 있으며 개인 정보 보호 애플리케이션은 하나의 작은 사용 사례일 뿐입니다. 소프트웨어 기반일 수도 있고 하드웨어 기반일 수도 있지만 하드웨어가 가장 일반적입니다. 인프라가 오프체인이고 격리된 환경에 있기 때문에 거래는 공개 시장 참여자에게 숨겨져 있습니다.
실제로 이는 트레이더가 전체 주문장을 모르고 주문을 게시하고 어느 쪽도 입찰가나 매도가를 공개하지 않고 풀의 거래 반대편에 유동성이 있는지 매칭하는 것처럼 보일 수 있습니다.
지금까지 TEE의 주목할만한 응용 프로그램 중 하나는 암흑 주문장이며 TradFi에는 유사한 인프라가 이미 존재합니다. 즉, 공공 시장 외부의 개인 거래 장소인 다크 풀은 세계 최대 금융 기관인 Goldman Sachs의 Sigma X 및 Morgan에서 운영합니다. Stanley의 MS Pool이 두 가지 예입니다. 다크 풀은 대규모 거래가 시장에 미치는 영향을 제한하는 데 사용됩니다.
TEE는 성능이 뛰어나고 이 기사에서 언급한 유일하게 효과적인 중앙 집중식 방법이지만 여러 가지 단점이 있습니다. 한 가지 비판은 대부분의 기존 하드웨어에 비해 사소한 개선일 뿐이며 유사한 위험을 안고 있다는 것입니다. 부채널 공격은 주목할 만한 문제이며 과거에도 발생했습니다. 개발자도 제조업체 담당자에게 크게 의존해야 합니다. 그럼에도 불구하고 그들은 여전히 매우 실용적이고, 구축하기 쉽고, 성능도 좋습니다.
이점:
인프라가 제대로 작동하고, 테스트되었으며, 작동 중입니다.
현재 대안에 비해 탁월한 성능
결점:
다크 풀과 같은 애플리케이션을 위해서는 충분한 유동성을 부트스트랩해야 하는 경우가 많습니다.
때때로 공격을 받고 검열/플랫폼 해제 위험을 초래하는 AWS 및 Intel과 같은 중앙 집중식 공급자에 대한 의존
ZK
영지식(ZK)을 사용하면 정보를 공개하지 않고 계산의 정확성을 증명할 수 있습니다. ZK는 매우 광범위한 기술이며 개인정보 보호는 작은 사용 사례일 뿐입니다. 현재까지 ZK는 주로 블록체인 확장에 사용되었습니다. 즉, 집중적인 계산을 오프체인으로 이동한 다음 ZKP를 사용하여 계산의 정확성을 확인하는 것입니다. 개인 정보 보호 분야에는 많은 ZK 애플리케이션이 있으며 이는 대략 일반 ZK, ZK L1/L2 및 개인 정보 풀의 세 가지 범주로 나뉩니다.
첫째, 개인 정보 보호 애플리케이션에 ZK를 사용하는 개발자는 처음부터 자체 증명 회로를 구축하거나 zkVM을 사용할 수 있습니다. zkVM은 임의의 코드에 대한 실행 환경을 제공하고 ZKP 영수증을 생성하여 실제 계산에 대한 데이터 유출 없이 코드가 정직하게 실행되었는지 검증합니다. 중요한 것은 일반화 가능한 zkVM이 Zexe와 같은 분산형 개인 정보 보호 컴퓨팅(DPC) 체계와 결합되어야 한다는 것입니다.
둘째, ZK L1 및 L2를 통해 사용자는 생태계 내에서 개인 정보 보호 상태로 거래하거나 개인 정보 보호 온체인 작업을 이러한 네트워크로 전송할 수 있습니다. 그들은 개인 정보 보호 우선 zkVM을 효과적으로 구축했습니다. 예를 들어 Aleo, Aztec, Mina 등이 있습니다.
마지막으로, 프라이버시 풀은 퍼블릭 체인의 거래를 마스킹합니다. 그들은 ZK를 사용하여 사용자의 예금 주소를 확인하고 새로운 출금 주소로의 자금 흐름을 숨깁니다. 개인 정보 보호 풀은 사용자가 사용할 수 있을 뿐만 아니라 특정 애플리케이션과 통합될 수도 있습니다.
중요한 것은 ZK가 본질적으로 비공개 상태를 확인하므로 증명을 생성하기 위한 비공개 실행 환경이 여전히 있어야 한다는 것입니다. 대부분의 경우 이는 클라이언트 측이며 사용자 장치(실제 개인 데이터가 원시 형식으로 저장되는 장치)에 직접 있습니다. 개인 정보 보호에 대한 ZK의 접근 방식의 초기 예는 사용자가 실제 데이터를 체인에 노출하지 않고도 신원의 민감한 측면을 증명할 수 있는 분산형 신원입니다.
이점:
다양한 개인 정보 보호 사용 사례에 매우 다재다능하고 적합합니다.
구성성이 뛰어나 애플리케이션이 수동적 개인 정보 보호 상태로 들어갈 수 있음을 의미
결점:
계산 집약적인 이 기술은 아직 초기 단계에 있습니다(FHE보다는 발전했지만).
종종 다양한 프로그래밍 언어나 ZK 회로에 대한 지식이 필요합니다.
MPC
보안 다자간 계산(MPC)을 사용하면 여러 당사자가 개인 데이터에 대한 계산을 공동으로 수행할 수 있으며, 각 당사자는 개인 데이터의 일부만 보유합니다. 한 당사자는 개인 데이터에 액세스할 수 없으며 다른 당사자는 나머지 데이터에 액세스할 수 없습니다. MPC에는 암호화 분야에서 많은 사용 사례가 있지만(키 관리가 주목할만한 예임) 개인 정보 보호 애플리케이션은 이제 막 등장하기 시작했습니다.
실제로 이러한 유형의 MPC를 구축하는 방법에는 두 가지가 있습니다. 1) 사용자가 연합 계산에 참여하거나 2) 사용자가 트랜잭션을 다른 당사자에게 위임합니다. 첫 번째는 신뢰 가정 관점에서는 이상적이지만 실행하기가 더 어렵습니다. 대부분의 프로젝트는 두 번째 접근 방식을 채택합니다. MPC의 명백한 위험은 개인 데이터를 보기 위해 샤드를 결합할 수 있는 당사자 간의 공모라는 점도 언급해야 합니다.
MPC는 여러 당사자가 관련된 개인 정보 보호 계산에 가장 적합합니다. FHE와 같은 다른 기술적 접근 방식은 MPC에 의존하는 경우가 많으므로 당사자 수가 크고 적절하게 분산되어 있고 계산이 일회성이며 그다지 복잡하지 않은 경우 MPC로 충분할 수 있습니다. 분산형 포커 게임은 MPC의 좋은 사용 사례입니다.
이점:
일회성 계산과 관련된 다양한 개인 정보 보호 사용 사례에 적용 가능
결점:
관련된 당사자 수에 따라 잘 확장되지 않음
실행 속도가 매우 느리기 때문에 처리량이 많은 애플리케이션에는 사용할 수 없습니다.
FHE
FHE(완전 동형 암호화)를 사용하면 암호화된 개인 상태에 대한 계산이 가능합니다. 즉, 사용자는 거래에 대한 정보를 공개하지 않고도 온체인 거래를 수행할 수 있습니다. 사용자가 DEX에서 토큰을 교환하거나 대출 풀에 입금할 때 어떤 토큰이 교환되었는지, 얼마나 많은 토큰이 입금되었는지에 대한 정보는 공개되지 않습니다.
그러나 FHE만으로는 개인 정보를 보호하기에 충분하지 않습니다. 대부분의 방법은 MPC와 일부 조합을 사용하여 암호화 키를 분할하므로 단일 중앙 집중식 당사자가 모든 개인 정보 보호 상태를 해독할 수 없습니다. ZK는 출력 및 입력의 유효성을 포함하여 거래를 확인하는 데에도 자주 사용되므로 계약은 정보 유출 없이 민간 상태와 상호 작용할 수 있습니다.
이 기술은 불과 몇 년 전에 출시된 TFHE와 같은 체계를 통해 아직 초기 단계에 있으며, 네 가지 주요 수학 연산 모두에 대한 정확하고 대략적인 출력을 모두 가능하게 합니다. 또한 합리적인 수준의 성능을 위해서는 하드웨어 가속이 필요합니다. FHE는 또한 연속적인 계산 라운드에서 특히 잘 확장되지 않습니다.암호화된 데이터에는 무작위 노이즈가 있으며 계산이 증가함에 따라 데이터가 비선형적으로 증가합니다. FHE는 언급된 다른 방법보다 초기 개발 단계에 있지만 개인 정보 보호 대출 시장 및 대용량 소비자 애플리케이션과 같이 소수의 참여자로 높은 구성성을 요구하는 계산에 최적입니다.
이점:
프라이빗 상태를 온체인에서 공유할 수 있는 유일한 방법
대부분의 개인 정보 보호 사용 사례에 적용 가능
결점:
현재 상태에서는 성능이 좋지 않습니다.
자체적인 단점과 신뢰 가정이 있는 ZK 및 MPC와 같은 다른 기술에 의존합니다.
예상하다
개인 정보 보호 인프라와 애플리케이션은 이제 암호화폐의 필수 요소이며 아직 초기 개발 단계에 있습니다. 우리는 이러한 솔루션이 빠르게 발전하고 유망한 미래를 가질 것으로 기대합니다.
여기에 제시된 각 개인정보 보호 솔루션은 장단점이 다르며 다양한 애플리케이션 시나리오에 적합합니다. 개인 정보 보호 범주는 너무 일찍 등장했고 규모가 너무 커서 단일 접근 방식이 승리할 것이라고 말하기에는 시기상조입니다.
장기적으로 보면 개인정보 보호와 관련된 많은 새로운 기술이 필연적으로 등장할 것입니다. 이 범주는 암호화폐 공간에서 가장 역동적이고 빠르게 성장하고 있지만 불투명한 범주 중 하나입니다. 그리고 현재 단계는 분명히 혁신의 첫 번째 시대일 뿐입니다.
Ravital Solomon(Sunscreen), Sam Trautwein(Tristero), Shumo Chu(Nebra), Weiking, Nicola Greco(Protocol Labs) 및 Aztec, Aleo 팀에게 특별히 감사드립니다. 이 글에 표현된 견해가 반드시 그들의 견해를 대변하는 것은 아닙니다.
