IOSG Ventures: Vitalik은 이를 칭찬했습니다. FHE 완전 동형 암호화의 응용 잠재력은 무엇입니까?

원작자: 무스타파 호라니(Mustafa Hourani)

원본 편집: IOSG 팀

머리말

FHE(완전 동형 암호화) 소개: 흥미로운 응용 프로그램, 제한 사항 및 인기를 이끄는 최신 개발 상황을 살펴보세요.

저(무스타파)는 "완전 동형 암호화(FHE)"에 대해 처음 들었을 때 블록체인 공간에서 인기 있는 개념에 긴 이름을 붙이는 경향이 있다는 사실을 떠올렸습니다. 수년에 걸쳐 우리는 업계를 뒤흔든 많은 유행어를 접했으며, 가장 최근에는 "영지식 증명"(ZKP)이 있었습니다.

몇 가지 연구를 수행하고 FHE를 사용하여 제품을 제작하는 일부 새로운 회사를 탐색한 후 저는 훌륭한 새 도구로 가득 찬 지평선을 발견했습니다. 앞으로 몇 달, 몇 년 안에 FHE는 ZKP처럼 업계를 뒤흔드는 차세대 기술이 될 수도 있습니다. 기업은 암호화 및 클라우드 컴퓨팅의 최신 기술을 활용하여 강력한 데이터 개인 정보 보호 미래를 향한 길을 닦고 있습니다. 문제는 우리가 거기에 도달할 수 있느냐가 아니라 언제 도달하느냐는 것입니다. 저는 FHE가 데이터 프라이버시와 소유권을 발전시키는 핵심 촉매제가 될 수 있다고 믿습니다.

"FHE는 암호화의 성배입니다. 시간이 지남에 따라 FHE는 웹2이든 웹3이든 모든 컴퓨팅의 아키텍처를 재구성할 것입니다."

동형현상이란 무엇인가

동형 (동형)이라는 용어는 먼저 "동형"이라는 단어의 의미를 이해합시다. 그 뿌리를 추적해 보면 동형은 수학에서 유래하며 핵심 구성 요소를 유지하는 동일한 유형의 두 대수 구조 간의 매핑으로 정의됩니다.

당신이 나처럼 실용적인 정의를 선호한다면, 그 뒤에 있는 수학은 두 그룹이 동일한 핵심 속성을 갖기 위해 정확히 동일할 필요는 없다는 것입니다. 예를 들어, 과일이 들어 있는 상자 두 개를 상상해 보세요. 각 상자는 서로 다른 그룹에 해당합니다.

• 상자 A에는 작은 과일이 들어 있습니다.

• 상자 B에는 큰 과일이 들어 있습니다.

상자 A에서 작은 사과와 오렌지를 함께 착즙하면 개별 과일의 크기가 다르지만 상자 B에서 큰 사과와 오렌지를 함께 착즙하는 것과 동일한 혼합 주스 맛이 생성됩니다. 동일한 맛을 내기 위해 착즙하는 것은 두 상자 사이에 핵심 구성 요소를 유지하는 것과 비슷합니다. 동일한 맛이 우리의 주요 초점이라고 가정하면 주스의 양이 우리의 초점이 아니기 때문에 어느 상자에서 주스를 짜내는지는 중요하지 않습니다. 중요한 측면(맛)에서 두 그룹은 동일하므로 두 그룹 간의 차이(크기 및 수량)는 특정 주스 맛을 생성하는 주요 기능으로 정의하는 것에 영향을 미치지 않습니다.

동형성과 유사하게 두 가지 주요 특징을 포착합니다.

• 매핑: 상자 A의 각 작은 과일이 상자 B의 더 큰 버전에 해당하는 과일 간의 연결을 만듭니다. 따라서 상자 A의 작은 사과는 상자 B의 큰 사과에 해당합니다.

• 운영 유지: 상자 A에 두 개의 작은 과일을 짜서 특정 맛이 생성되면 상자 B에 해당하는 더 큰 과일을 짜면 동일한 맛이 생성됩니다. 얻은 주스의 크기와 양이 달라도 "맛 프로필"은 유지됩니다.

완전동형암호란?

이를 이 기사의 중심 주제로 연결하는 FHE(완전 동형 암호화)는 원본 데이터를 노출하지 않고 암호화된 데이터에 대해 계산을 수행할 수 있는 특정 데이터 암호화 방법입니다. 이론적으로 암호화된 데이터에 대해 수행된 분석 및 계산은 원본 데이터에 대해 수행된 결과와 동일한 결과를 생성해야 합니다. FHE를 사용하면 암호화된 데이터세트의 데이터와 원본 데이터세트의 데이터 간에 일대일 연결을 생성합니다. 이 경우 유지되는 핵심 구성 요소는 두 데이터 세트의 데이터에 대해 계산을 수행하고 동일한 결과를 생성하는 기능입니다.

이와 관련하여 많은 회사에서는 사용자 데이터를 보호하고 차등 개인 정보 보호를 유지하기 위해 예방 조치를 취했습니다. 회사에서는 암호화되지 않은 원시 데이터를 클라우드나 데이터베이스에 저장하는 경우가 거의 없습니다. 따라서 공격자가 회사 서버를 제어하더라도 데이터를 읽고 액세스하려면 암호화를 우회해야 합니다. 그러나 데이터가 단순히 암호화되어 사용되지 않는 경우에는 흥미롭지 않습니다. 기업이 귀중한 통찰력을 얻기 위해 데이터를 분석하려는 경우, 이를 위해 데이터를 해독하는 것 외에는 선택의 여지가 없습니다. 데이터가 해독되면 취약해집니다. 그러나 엔드투엔드 암호화를 사용하면 더 이상 데이터를 분석하기 위해 데이터를 해독할 필요가 없기 때문에 FHE가 매우 유용해집니다. 이는 가능성의 빙산의 일각에 불과합니다.

가장 중요한 고려 사항은 기업이 애초에 우리의 개인 정보를 읽고 저장하도록 허용해야 하는지 여부입니다. 많은 사람들의 표준적인 반응은 기업이 우리에게 더 나은 서비스를 제공하기 위해 우리의 데이터를 확인해야 한다는 것입니다.

YouTube가 내 시청 기록 및 검색 기록과 같은 데이터를 저장하지 않으면 알고리즘이 잠재력을 최대한 발휘하여 내가 관심 있는 동영상을 표시할 수 없습니다. 결과적으로 많은 사람들은 데이터 개인정보 보호와 더 나은 서비스에 대한 액세스 사이의 균형을 맞추는 것이 가치 있다고 믿습니다. 그러나 FHE를 사용하면 더 이상 이러한 절충안을 만들 필요가 없습니다. YouTube와 같은 회사는 암호화된 데이터에 대한 알고리즘을 훈련하고 데이터 개인정보 보호를 침해하지 않고 최종 사용자에게 동일한 결과를 생성할 수 있습니다. 구체적으로는 나의 시청 기록, 검색 기록 등의 정보를 동형암호화하여 보지 않고도 분석한 후, 그 분석을 바탕으로 내가 관심을 갖는 영상을 보여줄 수 있었습니다.

FHE는 데이터가 더 이상 조직에 무료로 제공되는 귀중한 상품이 아닌 미래를 구축하기 위한 중요한 단계입니다.

완전동형암호 적용

완전동형암호화(FHE)가 올바르게 적용된다면 사용자 데이터를 저장하는 모든 산업에 획기적인 발전이 될 것입니다. 우리는 데이터 개인 정보 보호에 대한 우리의 전체적인 태도와 기업이 허용하는 침입의 한계를 바꿀 수 있는 기술을 찾고 있습니다.

먼저 FHE가 의료 산업의 데이터 관행을 어떻게 변화시킬 수 있는지 살펴보겠습니다. 많은 병원에서는 데이터베이스에 개인 환자 기록을 보관하고 있으며 이는 윤리적, 법적 이유로 기밀로 유지되어야 합니다. 그러나 이 정보는 데이터를 분석하여 질병 및 잠재적 치료법에 대한 중요한 통찰력을 얻을 수 있는 외부 의학 연구자들에게 매우 중요합니다. 연구 진행을 지연시키는 주요 장애물은 데이터를 연구자에게 아웃소싱할 때 환자 데이터의 완전한 기밀을 유지하는 것입니다. 환자 기록을 익명화하거나 의사 익명화하는 방법에는 여러 가지가 있지만 이러한 방법은 완벽하지 않으며 개인에 대해 너무 많은 정보를 공개하여 식별할 수 없거나 사례에 대한 충분한 정보를 공개하지 않아 기록을 얻기 어려울 수 있습니다. 사람에 대한 정확한 정보.

FHE를 사용하면 병원은 환자 데이터를 동형암호화하여 클라우드에서 환자의 개인정보를 더욱 쉽게 보호할 수 있습니다. 의료 연구원은 환자의 개인 정보를 침해하지 않고 암호화된 데이터에 대해 계산을 수행하고 분석 기능을 실행할 수 있습니다. 암호화된 데이터와 원본 데이터가 일대일로 매핑되어 있기 때문에 암호화된 데이터세트에서 얻은 결과는 실제 사례에 적용할 수 있는 실질적인 통찰력을 제공합니다. FHE는 헬스케어 산업을 빠르게 발전시킬 수 있습니다.

인공 지능(AI) 훈련에서 FHE(완전 동형 암호화)의 또 다른 흥미로운 적용은 주목할 만합니다. 현재 AI 분야는 기업이 AI 알고리즘을 개선하는 데 중요한 크고 광범위한 데이터 세트를 확보하는 능력을 방해하는 개인 정보 보호 문제에 직면해 있습니다. AI를 훈련하는 기업은 제한된 공개 데이터 세트를 사용할 것인지, 개인 데이터 세트에 많은 돈을 지불할 것인지, 아니면 데이터 세트를 생성할 것인지 선택해야 합니다. 후자는 사용자 수가 적은 소규모 기업에 특히 어려운 일입니다. FHE는 많은 데이터 세트 제공업체가 이 시장에 진입하는 것을 방해하는 개인 정보 보호 문제를 해결할 수 있어야 합니다. 따라서 FHE의 개선으로 인해 AI 훈련에 사용할 수 있는 데이터 세트 수가 증가할 가능성이 높습니다. 이는 사용 가능한 데이터 세트의 다양성이 증가함에 따라 AI 교육을 보다 경제적으로 실현 가능하고 정교하게 만들 것입니다.

FHE를 사용하면 기업은 원본 데이터를 유출하지 않고 암호화된 데이터에 대한 기계 학습 모델을 교육할 수 있습니다. 이는 데이터 소유자가 개인정보 침해나 데이터 오용에 대한 걱정 없이 암호화된 데이터를 안전하게 공유할 수 있음을 의미합니다. 동시에 AI 모델 트레이너는 FHE 없이는 사용할 수 없는 더욱 다양하고 포괄적인 데이터 세트를 활용하여 알고리즘을 개선할 수 있습니다. 따라서 완전 동형 암호화는 데이터 보안을 향상시킬 뿐만 아니라 AI 연구 개발 가능성을 넓혀 AI 기술의 적용을 더욱 광범위하고 효율적으로 만듭니다.

과거 완전동형암호의 단점

FHE(완전동형암호)가 확실히 현대 빅데이터를 변화시킬 것을 약속하지만 아직까지 더 실용적인 애플리케이션을 보지 못한 이유는 무엇일까요?

FHE는 수년간 논의와 연구의 주제였음에도 불구하고 실제로 FHE를 구현하는 것은 매우 어려운 것이 현실입니다. 핵심 과제는 FHE를 수행하는 데 필요한 컴퓨팅 성능에 있습니다. 완전히 동형적으로 안전한 데이터 세트는 원래 데이터 형식과 동일한 분석 결과를 생성할 수 있습니다. 이는 상당한 컴퓨팅 속도와 성능이 필요한 어려운 작업이며, 그 중 대부분은 기존 컴퓨터에서 구현하기가 비현실적입니다. 원시 데이터에서는 일반적으로 몇 초가 걸리는 작업이 동형 암호화된 데이터 세트에서는 몇 시간 또는 며칠이 걸릴 수 있습니다. 이러한 컴퓨팅 문제는 많은 엔지니어가 FHE 프로젝트 수행을 지연시켜 개발 속도를 늦추고 이점의 완전한 실현을 제한하는 저절로 지속되는 주기를 만듭니다.

FHE에서 엔지니어가 직면하는 특정 계산 문제 중 하나는 "잡음 오류"를 처리하는 것입니다. 동형암호화된 데이터 세트에 대해 계산을 수행할 때 많은 엔지니어는 각 계산이 추가 노이즈나 오류를 생성하는 상황에 직면합니다. 몇 가지 계산만 필요한 경우에는 허용할 수 있지만 여러 번 분석한 후에는 노이즈가 너무 두드러져서 원시 데이터를 이해하기 어려울 수 있습니다. 데이터가 거의 손실되었습니다.

왜 지금

주류가 될 때까지 한때 제한적이고 원시적인 것으로 간주되었던 생성 AI와 마찬가지로 FHE(완전 동형 암호화)도 비슷한 발전 궤도에 있습니다. 블록체인 분야를 넘어서는 많은 업계 리더들이 FHE에 대한 실질적인 연구 개발을 조직하기 위해 함께 모였습니다. 이로 인해 이 기술의 발전에 대한 설득력 있는 설명을 주도하는 최근의 여러 산업 발전이 이루어졌습니다.

디프라이브 프로젝트

2021년 3월, Microsoft, Intel, 미국 국방고등연구계획국(DARPA)은 완전동형암호(FHE) 개발을 가속화하기 위한 다년간의 프로그램을 시작하기로 합의했습니다. 가상 환경에서의 데이터 보호(DPRIVE)라고 불리는 이 이니셔티브는 FHE의 주요 발전을 의미합니다. 이는 클라우드 컴퓨팅과 컴퓨터 하드웨어를 전문으로 하는 두 거대 기업이 데이터 개인 정보 보호 문제를 해결하기 위해 힘을 합치는 모습을 보여줍니다. FHE의 컴퓨팅 속도를 관리할 수 있는 컴퓨터와 소프트웨어를 구축하고, 잘못된 사용으로 인한 데이터 유출을 방지하기 위해 FHE의 정확한 구현을 위한 지침을 수립하기 위해 이번 프로젝트를 시작했습니다.

DPRIVE 이니셔티브의 일환으로 엔지니어들은 노이즈를 원래 데이터 수준으로 줄이는 방법을 탐색하여 앞서 언급한 "노이즈 오류"를 완화하는 임무를 받았습니다. 유망한 솔루션 중 하나는 LAWS(Large Arithmetic Word Size) 데이터 표현을 설계하는 것입니다. 기존 컴퓨터 프로세서(CPU)는 일반적으로 64비트 단어를 사용하지만 엔지니어는 1024비트 단어 이상을 처리할 수 있는 새로운 LAWS 하드웨어를 개발하고 있습니다. 이 방법은 연구 결과에 따르면 긴 단어가 신호 대 잡음비에 직접적인 영향을 미치는 것으로 나타났기 때문에 효과적입니다. 간단히 말해서, 긴 단어는 FHE의 각 추가 계산 단계에서 노이즈를 덜 생성하므로 데이터 손실 임계값에 도달할 때까지 더 많은 계산을 수행할 수 있습니다. 이러한 과제를 해결하기 위해 새로운 하드웨어를 구축함으로써 DPRIVE 프로그램에 참여한 엔지니어들은 FHE를 수행하는 데 필요한 계산 부하를 크게 줄였습니다.

컴퓨팅을 가속화하고 FHE를 100,000배 더 빠르게 만들겠다는 목표에 더 가까워지기 위해 DPRIVE 팀은 기존 처리 및 그래픽 장치의 기능을 뛰어넘는 새로운 데이터 처리 시스템을 설계하기 위한 지속적인 여정에 착수했습니다. 그들은 여러 명령어와 데이터 세트를 동시에 관리할 수 있는 새로운 MIMD(Multiple Instruction Multiple Data) 시스템을 개발했습니다. MIMD는 FHE의 빠른 실시간 계산에 필요한 교통량을 수용하기 위해 기존의 부적합한 도로를 사용하는 대신 새로운 고속도로를 건설하는 것과 유사합니다.

DPRIVE 프로젝트의 흥미로운 측면은 컴퓨터 수학적 계산에서 "병렬성"을 광범위하게 사용한다는 것입니다. 이를 통해 개발자는 여러 개의 큰 숫자 계산을 동시에 수행할 수 있습니다. 병렬 처리는 수학자들이 각자의 작업을 차례로 완료하는 것이 아니라, 거대한 수학 문제의 여러 부분을 작업하기 위해 동시에 여러 수학자들을 배치하는 것으로 생각할 수 있습니다. 여러 계산을 동시에 수행하면 문제를 신속하게 해결하는 데 도움이 될 수 있지만 과열을 방지하려면 컴퓨터를 공냉식으로 냉각해야 합니다.

프로그램을 시작한 지 1년 반이 넘은 2022년 9월, 마이크로소프트, 인텔, DARPA는 DPRIVE 프로그램의 1단계를 성공적으로 완료했다고 발표했습니다. 현재 DPRIVE의 두 번째 단계에 있습니다.

SDK 및 오픈 소스 라이브러리

많은 대기업이 FHE(완전 동형 암호화)를 개척하면서 사용 가능한 SDK(소프트웨어 개발 키트) 및 오픈 소스 라이브러리의 수가 폭발적으로 증가하여 개발자가 서로의 작업을 기반으로 구축할 수 있게 되었습니다.

Microsoft는 개발자에게 데이터 세트에 대해 동형 암호화를 수행할 수 있는 도구를 제공하는 오픈 소스 라이브러리인 Microsoft Seal을 발표했습니다. 이를 통해 더 넓은 범위의 개발자가 FHE를 탐색하고 엔드투엔드 암호화 및 컴퓨팅 서비스에 대한 액세스를 민주화할 수 있습니다. 라이브러리는 개발자가 정확하고 안전하게 사용할 수 있도록 자세한 설명과 함께 동형 암호화 절차의 예를 제공합니다.

또한 인텔은 개발자에게 클라우드에서 동형 암호화를 더 빠르게 구현할 수 있는 도구를 제공하기 위해 자체 동형 암호화 툴킷을 출시했습니다. 인텔은 유연성을 유지하고 데이터 처리 및 컴퓨팅 분야의 최신 기술과의 호환성을 보장하기 위해 이 툴킷을 설계했습니다. 여기에는 격자 암호화에 맞춰진 기능, Microsoft Seal과의 원활한 운영 통합, 동형 암호화 체계 샘플 및 사용자를 안내하는 기술 문서가 포함되어 있습니다.

Google의 Private Join 및 Compute 오픈소스 라이브러리는 개발자에게 MPC(다자간 계산) 도구를 제공합니다. 이러한 계산적 접근 방식을 통해 당사자들은 서로 다른 데이터 세트를 결합하여 원시 데이터를 서로 노출하지 않고도 공유된 통찰력을 얻을 수 있습니다. Private Join and Compute는 FHE의 암호화 기술과 PSI(Private Set Intersection)를 결합하여 데이터 기밀 유지 방식을 최적화합니다. PSI는 서로 다른 데이터 세트를 가진 당사자가 데이터를 공개하지 않고도 공통 요소나 데이터 포인트를 식별할 수 있도록 하는 또 다른 암호화 방법입니다. 데이터 개인정보 보호를 향상하기 위한 Google의 접근 방식은 FHE에만 초점을 맞추는 것이 아니라 FHE를 다른 영향력 있는 데이터 관행과 통합하여 더 광범위한 MPC 개념에 우선순위를 둡니다.

FHE에 대한 평판이 좋은 오픈 소스 라이브러리의 가용성이 증가하고 있다는 점은 주목할 가치가 있습니다. 그러나 유명 기업들이 운영에 이러한 라이브러리를 실험하는 모습이 관찰되면 이는 더욱 두드러집니다. 2021년 4월, 증권 거래소 및 자본 시장 분야에서 잘 알려진 글로벌 기술 기업인 나스닥(Nasdaq)이 FHE를 자사 사업에 통합했습니다. Nasdaq은 Intel의 FHE 도구와 고속 프로세서를 활용하여 자금 세탁 방지 노력과 사기 탐지를 통해 금융 범죄에 맞서고 있습니다. 이는 민감한 정보가 포함된 데이터 세트에서 귀중한 통찰력과 잠재적으로 불법적인 활동을 식별하기 위해 동형 암호화를 사용하여 달성됩니다.

최근 자본금 인상

앞서 언급한 회사가 수행한 연구 개발 외에도 최근 FHE(완전 동형 암호화)에 초점을 맞춘 계획에 대해 상당한 자금을 지원받은 다른 여러 회사가 있습니다.

Cornami는 동형 암호화를 위해 특별히 설계된 확장 가능한 클라우드 컴퓨팅 기술을 개발하는 것으로 알려진 대규모 기술 회사입니다. 이들은 기존 CPU보다 FHE를 더 효율적으로 지원하는 컴퓨팅 시스템을 만들기 위한 많은 노력에 참여하고 있습니다. 또한 양자 컴퓨팅 위협으로부터 암호화된 데이터를 보호하기 위한 이니셔티브를 주도합니다. 2022년 5월, Cornami는 시리즈 C 파이낸싱의 성공적인 완료를 발표하고 SoftBank가 주도하는 6,800만 달러의 투자를 받아 총 자본금을 1억 5,000만 달러로 늘렸습니다.

Zama는 개발자가 FHE, 블록체인 및 AI를 사용하여 흥미로운 애플리케이션을 구축하는 데 사용할 수 있는 오픈 소스 동형 암호화 도구를 구축하는 블록체인 업계의 또 다른 회사입니다. Zama는 제품 제공의 일부로 완전히 동형인 Ethereum Virtual Machine(fhEVM)을 구축했습니다. 이 스마트 계약 프로토콜은 처리 중에 온체인 거래 데이터를 암호화된 상태로 유지합니다. Zama 라이브러리의 다양한 애플리케이션을 살펴본 개발자들은 복잡한 사용 사례에서도 그 성능에 깊은 인상을 받았습니다. Zama는 2022년 2월 Protocol Labs가 주도한 4,200만 달러 규모의 시리즈 A 자금 조달을 성공적으로 완료하여 총 자본금을 5,000만 달러로 늘렸습니다.

Fhenix는 FHE를 블록체인으로 가져오는 신흥 프로젝트이기도 합니다. 그들의 목표는 개인 결제를 넘어 FHE 애플리케이션을 확장하여 탈중앙화 금융(DeFi), 브리징, 거버넌스 투표 및 Web3 게임과 같은 분야에서 FHE에 대한 흥미로운 사용 사례의 문을 여는 것입니다. 2023년 9월 Fhenix는 Multicoin Capital과 Collider Ventures가 주도하는 700만 달러 규모의 시드 자금 조달을 완료했다고 발표했습니다.

다음에 무슨 일이 일어날까요?

수년 동안 FHE(완전 동형 암호화)는 강력한 엔드 투 엔드 암호화를 약속하며 데이터 개인 정보 보호의 강력한 미래를 예고하는 아이디어였습니다. 최근 개발을 통해 FHE를 이론적 꿈에서 실제 적용으로 전환하기 시작했습니다. 다양한 회사가 강력하고 기능이 완전한 FHE 버전을 최초로 구현하기 위해 경쟁하고 있지만 많은 회사가 이 강력한 기술의 복잡성을 탐색하기 위해 협력하고 있습니다. 이러한 협업 정신은 다양한 팀 간 프로젝트 구현과 다른 라이브러리와 통합되는 오픈 소스 라이브러리 개발을 통해 분명하게 드러납니다.

내 연구 결과에 따르면 FHE를 둘러싼 논의는 광범위한 것으로 보입니다. 앞으로 몇 주 동안 저는 FHE 연구에 대해 더 깊이 탐구하고 더 많은 통찰력을 공유하게 되어 기쁩니다. 특히 다음 주제에 대해 더 자세히 알아보고 싶습니다.

FHE의 새로운 애플리케이션:

• 영지식 증명(ZKP)과 FHE 간의 상호 작용.

• FHE를 PSI(Private Set Intersection)와 통합하여 안전한 MPC(다자간 컴퓨팅)를 발전시키세요.

• Zama 및 Fhenix와 같은 새로운 회사가 FHE 분야를 선도하고 있습니다.

참조:

Arampatzis, Anastasios. "동형 암호화의 최신 개발." Venafi, 2022년 2월 1일, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Arampatzis, Anastasios. "동형 암호화란 무엇이며 어떻게 사용됩니까?" Venafi, 2023년 4월 28일, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

“지속적인 데이터 보호를 지원하는 하드웨어 구축.” DARPA, 2020년 3월 2일, www.darpa.mil/news-events/2020-03-02.

Cristobal, Samuel. "완전한 동형 암호화: 암호화의 성배" Datascience.Aero, 2021년 1월 7일, datascience.aero/full-homomorphic-encryption-the-holy-grail-of-cryptography/.

"동형암호: 그것이 무엇이며 왜 중요한가?" Internet Society, 2023년 3월 9일, www.internetsociety.org/resources/doc/2023/homomorphic-encryption/.

Hunt, James. "FHENIX는 Multicoin Capital이 주도하는 시드 라운드에서 700만 달러를 조달합니다." The Block, The Block, 2023년 9월 26일, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

"인텔® 동형 암호화 툴킷." Intel, 2023년 10월 8일 액세스, www.intel.com/content/www/us/en/developer/tools/homomorphic-encryption/overview.html#gs.fu 55 im.

“인텔, DARPA 프로그램에서 Microsoft와 협력” 인텔, 2021년 3월 8일, www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs. ftusxq.

"Intel Xeon, NASDAQ의 동형 암호화 R&D 발전." Intel, 2021년 4월 6일, www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-encryption-rd.html#gs .6mpgme.

Johnson, Rick. "인텔, 완전 동형 암호화 플랫폼을 위한 DARPA DPRIVE 1단계 이정표 완료." 인텔, 2022년 9월 14일, Community.intel.com/t 5/Blogs/Products-and-Solutions/HPC/Intel-Completes- DARPA-DPRIIVE-Phase-One-Milestone-for-a-Fully/post/1411021.

"Microsoft Seal: 빠르고 사용하기 쉬운 동형 암호화 라이브러리." Microsoft Research, 2023년 1월 4일, www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr. Pascal. "완전한 동형 암호화: 암호화의 성배." 비즈니스 시대, 2023년 3월 9일, www.businessage.com/post/full-homomorphic-encryption-the-holy-grail-of-cryptography.

카일 사마니. "온체인 FHE의 여명." Multicoin Capital, 2023년 9월 26일, multicoin.capital/2023/09/26/the-dawn-of-on-chain-fhe/.

Walker, Amanda 등 "조직이 더 많은 데이터를 수집하지 않고도 더 많은 작업을 수행할 수 있도록 지원", Google 온라인 보안 블로그, 2019년 6월 19일, security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more -data.html.

"완전 동형 암호화란 무엇입니까?" Inpher, 2021년 4월 11일, inpher.io/technology/what-is-full-homomorphic-encryption/.

White, Matt. “생성 AI의 간략한 역사.” Medium, 2023년 7월 8일, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 #:~:text=Although% 20 대부분% 20명% 20의지% 20인정, 의% 20안정성% 20AI의% 20안정% 20확산.