원저자: IOSG Ventures

개인정보 보호는 인간과 조직의 기본 권리입니다. 개인의 경우 제3자와 공유하고 싶지 않은 정보를 공개하지 않고도 자유롭게 자신을 표현할 수 있습니다. 오늘날 대부분의 조직에서 데이터는 주요 상품으로 간주되며 데이터 개인정보 보호는 이러한 상품을 보호하는 데 매우 중요합니다. 사이퍼펑크 운동과 데이터 상품화로 인해 암호화 기본 요소의 연구 및 개발이 가속화되었습니다.

암호학은 상당히 광범위한 분야이며, 컴퓨팅의 맥락에서 암호학을 살펴보면 영지식 증명, 동형암호, 비밀 공유 등과 같은 다양한 방식이 처음부터 사용되어 왔습니다. 1960년대 지속적으로 개선됨. 이러한 솔루션은 개인 컴퓨팅 방법을 활용하는 데 매우 중요합니다. 데이터는 사람들이 데이터에서 통찰력을 발견하고 생성할 수 있기 때문에 주요 상품입니다. 오늘날까지 프라이빗 컴퓨팅 분야는 다자간 계산 및 영지식 증명 분야에서 상당한 발전을 이루었지만 입력 데이터 자체에는 항상 개인 정보 보호 문제가 있었습니다.

가장 중요한 상품이 공개된 경우 데이터 소유자가 법적 합의 없이 이 데이터의 계산을 아웃소싱하는 것은 매우 어렵습니다. 오늘날 모든 사람은 건강 데이터에 대한 HIPAA, 특히 유럽의 데이터 개인정보 보호에 대한 GDPR과 같은 데이터 개인정보 보호 규정 준수 표준에 의존하고 있습니다.

블록체인 분야에서 우리는 규제 기관의 무결성보다 기술의 무결성을 더 믿습니다. 무허가 및 소유권 극대화를 믿는 사람으로서, 사용자가 데이터를 소유하는 미래를 믿는다면 해당 데이터에 대해 계산을 수행하는 신뢰할 수 없는 방법이 필요합니다. 2009년 Craig Gentry의 작업 이전에는 암호화된 데이터에 대한 계산을 수행한다는 개념이 획기적인 것이 아니었습니다. 암호문(즉, 암호화된 데이터)에 대해 계산(덧셈과 곱셈)을 수행할 수 있었던 것은 이번이 처음이었습니다.

1. FHE(완전 동형 암호화) 작동 방식

그렇다면 컴퓨터가 입력에 대해 아무것도 모르면서 계산을 수행할 수 있게 해주는 이 "마법의 수학"은 무엇일까요?

FHE(완전 동형 암호화)는 데이터를 해독하지 않고도 암호화된 데이터(암호문)에 대해 계산을 수행할 수 있도록 하는 암호화 체계 클래스로, 개인 정보 보호 및 데이터 보호를 위한 다양한 사용 사례를 열어줍니다.

FHE 과정에서 데이터가 암호화되면 원본 데이터에 노이즈라는 추가 데이터가 추가됩니다. 데이터를 암호화하는 과정입니다.

동형 계산(덧셈 또는 곱셈)이 수행될 때마다 추가 노이즈가 추가됩니다. 계산이 너무 복잡하고 매번 노이즈가 추가되면 결국 암호문을 해독하는 것이 매우 어려워집니다(계산량이 매우 많음). 이 프로세스는 잡음이 선형적으로 증가하는 반면 곱셈에서는 잡음이 기하급수적으로 증가하므로 덧셈에 더 적합합니다. 따라서 복잡한 다항식 곱셈이 있는 경우 출력을 해독하는 것이 매우 어렵습니다.

소음이 주요 문제이고 그 증가로 인해 FHE 사용이 어려운 경우 소음을 제어해야 합니다. 이로 인해 "부트스트랩핑"이라는 새로운 프로세스가 탄생했습니다. 부트스트래핑은 암호화된 데이터를 새 키를 사용하여 암호화하고 암호화 내에서 해독하는 프로세스입니다. 이는 계산 오버헤드와 최종 출력의 암호 해독 오버헤드를 크게 줄여주기 때문에 매우 중요합니다. 부트스트래핑을 사용하면 최종 암호 해독 오버헤드가 줄어들지만 프로세스에 많은 양의 운영 오버헤드가 발생합니다. 이는 비용이 많이 들고 시간이 많이 걸릴 수 있습니다.

현재 주요 FHE 솔루션은 BFV, BGV, CKKS, FHEW 및 TFHE입니다. TFHE를 제외하고 이러한 체계의 약어는 논문 저자의 이름입니다.

이러한 시나리오를 같은 국가에서 사용되는 서로 다른 언어로 생각하고 각각은 서로 다른 상황에 최적화되어 있다고 생각하세요. 이상적인 것은 이 모든 언어가 동일한 기계로 이해될 수 있는 국가를 통합하는 것입니다. 많은 FHE 실무 그룹은 이러한 다양한 접근 방식의 결합을 위해 노력하고 있습니다. SEAL(BFV 및 CKKS 체계 결합) 및 HElib(BGV + 근사 CKKS)와 같은 라이브러리는 FHE 체계 또는 다양한 계산을 위한 체계 조합을 구현하는 데 도움이 됩니다. 예를 들어, Zama의 Concrete 라이브러리는 TFHE용 Rust 컴파일러입니다.

2. FHE 솔루션 비교

다음은 Charles Guth, Dimitris Muris 및 Nektarios George Chusos가 "SoK: 표준화된 벤치마크를 통한 완전 동형 암호화 라이브러리에 대한 새로운 통찰력"이라는 논문에서 표준화된 벤치마크를 통해 완전 동형 암호화 라이브러리에 대한 다양한 라이브러리의 성능 비교(2022)에 쓴 내용입니다.

Web3 사용 사례

오늘날 블록체인과 애플리케이션을 사용하면 모든 데이터가 공개되어 모든 사람이 볼 수 있습니다. 이는 대부분의 사용 사례에 유익하지만 기본적으로 개인 정보 보호 또는 데이터 기밀성이 필요한 많은 사용 사례(예: 기계 학습 모델, 의료 데이터베이스, 유전체학, 민간 금융, 조작할 수 없는 게임 등)에서는 완전히 제한됩니다. FHE 기반 블록체인 또는 가상 머신은 기본적으로 전체 체인의 상태를 시작점부터 암호화하여 암호화된 데이터에 대해 임의의 계산을 수행하는 동시에 개인 정보 보호를 보장합니다. FHE 기반 블록체인 네트워크에 저장되거나 처리되는 모든 데이터는 본질적으로 안전합니다. Zama는 완전히 동형 환경에서 EVM 계산을 허용하는 fhEVM 솔루션을 보유하고 있습니다. 이는 이 라이브러리를 사용하여 구축된 모든 L1/L2 프로젝트의 실행 수준에서 개인정보 보호를 보장합니다. 프라이버시 체인은 항상 멋진 기술이었지만 채택 및 토큰 성능은 크게 향상되지 않았습니다.

FHE는 일반 컴퓨팅 아웃소싱과 관련하여 ZK 및 MPC 자체를 대체하기 위한 것이 아닙니다. 그들은 서로를 보완하여 신뢰할 수 없는 개인 컴퓨팅 거대 기업을 만들 수 있습니다. 예를 들어, Sunscreen은 기본적으로 모든 블록체인 애플리케이션이 계산을 FHE 컴퓨팅 환경으로 아웃소싱하고 결과를 피드백할 수 있도록 하는 "프라이버시 엔진"을 구축하고 있습니다. 결과 계산은 ZK 증명을 통해 확인할 수 있습니다. Octra는 비슷한 작업을 수행하지만 hFHE라는 다른 유형의 암호화 체계를 사용합니다.

ZK 증명은 데이터를 공개하지 않고 무언가를 증명하는 데 능숙하지만 증명자는 어느 시점에서는 여전히 데이터에 접근할 수 있습니다. ZK 증명은 개인 데이터 계산에 사용할 수 없으며 특정 계산이 올바르게 완료되었는지 확인할 수만 있습니다.

MPC는 암호화된 데이터의 계산을 여러 시스템에 분산시키고 병렬로 계산을 수행한 다음 최종 계산 결과를 함께 연결합니다. 계산을 수행하는 대부분의 기계가 정직한 한 원본 데이터를 검색할 수는 없지만 이는 여전히 신뢰를 전제로 합니다. MPC 당사자 간에 지속적인 통신이 필요하기 때문에 하드웨어를 통한 확장이 어려워집니다(데이터는 지속적으로 분할, 계산 및 다시 연결되어야 함).

FHE에서는 모든 계산이 암호화된 데이터에 대해 수행되므로 데이터를 해독할 필요가 없으며 이 작업은 단일 서버에서 수행될 수 있습니다. FHE의 성능은 더 나은 하드웨어, 더 많은 컴퓨팅 리소스 및 하드웨어 가속을 통해 확장될 수 있습니다.

현재 블록체인 공간에서 FHE의 가장 좋은 사용 사례는 내장된 FHE L1/L2를 구축하는 것보다 범용 컴퓨팅을 아웃소싱하는 것입니다. FHE가 잠금 해제할 수 있는 몇 가지 흥미로운 사용 사례는 다음과 같습니다.

• 1세대(암호화 네이티브): 온체인 DID, 카지노, 베팅, 투표, 게임, 프라이빗 DeFi, 프라이빗 토큰, 다크 풀, 2FA, 백업, 비밀번호.

• 2세대(모듈형): "프라이버시를 위한 체인링크", 프라이빗 컴퓨팅 아웃소싱, 블록체인과 계약 간의 엔드투엔드 암호화, 암호화된 데이터 가용성, 검증 가능한 보안 데이터 저장.

• 3세대(엔터프라이즈급): 복잡한 소비자 애플리케이션, 암호화 및 분산형 LLM, 인공 지능, 웨어러블, 통신, 군사, 의료, 개인 정보 보호 결제 솔루션, 개인 P2P 결제.

FHE를 기반으로 한 현재 산업 프로젝트

FHE(완전 동형 암호화)의 개발은 이 기술을 활용하여 데이터 개인 정보 보호 및 보안을 강화하는 여러 혁신적인 블록체인 프로젝트에 영감을 주었습니다. 이 섹션에서는 Inco, Fhenix 및 Zama와 같은 주목할만한 프로젝트의 기술적 세부 사항과 고유한 접근 방식을 자세히 살펴봅니다.

인코

Inco는 FHE와 블록체인의 통합을 개척하여 데이터 컴퓨팅을 안전하고 비공개적으로 만드는 플랫폼을 만들고 있습니다. Inco는 격자 기반 암호화 기술을 사용하여 FHE 체계를 구현함으로써 기본 일반 텍스트를 노출하지 않고 암호문(암호화된 데이터)에 대한 작업을 수행할 수 있도록 보장합니다. 이 플랫폼은 개인 정보 보호 스마트 계약을 지원하여 암호화된 데이터를 블록체인에서 직접 처리할 수 있도록 합니다.

• 격자 기반 FHE: Inco는 사후 양자 보안 속성으로 알려진 FHE 구현을 위해 격자 기반 암호화를 활용하여 향후 발생할 수 있는 양자 공격에 대한 탄력성을 보장합니다.

• 개인 정보 보호 스마트 계약: Inco의 스마트 계약은 암호화된 입력에 대해 임의의 기능을 실행할 수 있으므로 계약이나 계약을 실행하는 노드 모두 일반 텍스트 데이터에 액세스할 수 없습니다.

• 잡음 관리 및 부트스트래핑: 동형 연산 중 잡음 증가 문제를 처리하기 위해 Inco는 효율적인 부트스트래핑 기술을 구현하여 암호문을 새로 고치고, 암호 해독성을 유지하며, 동시에 복잡한 계산을 수행합니다.

페닉스

Fhenix는 개인정보 보호 애플리케이션을 위한 강력한 인프라 제공에 중점을 두고 FHE를 활용하여 사용자 데이터를 보호하기 위한 엔드투엔드 암호화 솔루션을 제공합니다. Fhenix의 플랫폼은 보안 메시징부터 개인 금융 거래에 이르기까지 광범위한 애플리케이션을 지원하도록 설계되어 모든 컴퓨팅 프로세스에서 데이터 개인정보 보호를 보장합니다.

• 엔드 투 엔드 암호화: Fhenix는 데이터가 입력 시점부터 처리 및 저장까지 암호화된 상태를 유지하도록 보장합니다. 이는 FHE와 SMPC(Secure Multi-Party Computation) 기술을 결합하여 달성됩니다.

• 효율적인 키 관리: Fhenix는 고급 키 관리 시스템을 통합하여 안전한 키 배포 및 순환을 촉진합니다. 이는 FHE 환경에서 장기적인 보안을 유지하는 데 핵심입니다.

• 확장성: 이 플랫폼은 최적화된 동형 연산과 병렬 처리를 사용하여 대규모 계산을 효율적으로 처리하여 FHE의 주요 과제 중 하나를 해결합니다.

• 보조 프로세서: Fhenix는 또한 FHE 계산을 가속화하도록 설계된 특수 보조 프로세서 개발을 개척했습니다. 이러한 보조 프로세서는 FHE에 필요한 집중적인 수학 연산을 전문적으로 처리하여 개인 정보 보호 애플리케이션의 성능과 확장성을 크게 향상시킵니다.

자마

Zama는 FHE 분야의 선두주자이며 fhEVM 솔루션 개발로 유명합니다. 이 솔루션을 사용하면 완전히 동형인 환경에서 Ethereum EVM 계산을 수행할 수 있으므로 라이브러리를 사용하여 구축된 모든 L1/L2 프로젝트의 실행 수준에서 개인정보 보호가 보장됩니다.

• fhEVM 솔루션: Zama의 fhEVM 솔루션은 FHE를 Ethereum Virtual Machine과 통합하여 암호화된 스마트 계약 실행을 구현합니다. 이를 통해 Ethereum 생태계 내에서 기밀 거래 및 계산을 수행할 수 있습니다.

• 콘크리트 라이브러리: Zama의 콘크리트 라이브러리는 TFHE(FHE의 변형)용 Rust 컴파일러입니다. 이 라이브러리는 동형 암호화 체계의 고성능 구현을 제공하여 암호화 계산을 보다 효율적으로 만듭니다.

• 상호 운용성: Zama는 기존 블록체인 인프라와 원활하게 작동하는 솔루션을 만들기 위해 최선을 다하고 있습니다. 여기에는 다양한 암호화 기본 요소 및 프로토콜에 대한 지원이 포함되어 광범위한 호환성과 통합 용이성을 보장합니다.

3. 암호화폐 및 AI 인프라와 애플리케이션에서 FHE의 핵심 역할

오늘날 암호화폐와 인공지능의 교차가 본격화되고 있습니다. 이 교차점을 깊이 파고들지는 않지만, 새로운 모델과 데이터 세트의 혁신은 여러 플레이어 간의 오픈 소스 협업을 통해 주도될 것이라는 점은 주목할 가치가 있습니다. 계산 외에도 궁극적으로 가장 중요한 것은 이 협업 파이프라인에서 가장 중요한 부분인 데이터입니다. AI 애플리케이션과 모델의 유용성은 궁극적으로 그것이 기본 모델인지, 미세 조정된 모델인지, AI 지능형 에이전트인지 여부에 따라 훈련되는 데이터에 따라 달라집니다. 이 데이터를 안전하게 비공개로 유지하면 오픈 소스 협업을 위한 방대한 설계 공간이 열리고 데이터 소유자는 계속해서 훈련 모델이나 최종 애플리케이션으로 수익을 창출할 수 있습니다. 이 데이터가 본질적으로 공개된 경우 수익 창출이 어려울 수 있으므로(누구나 귀중한 데이터 세트에 액세스할 수 있으므로) 이 데이터가 엄격하게 보호될 가능성이 더 높습니다.

이 경우 FHE가 중요한 역할을 할 수 있습니다. 이상적으로는 기본 데이터 세트를 공개하지 않고 모델을 훈련할 수 있어 데이터 세트의 수익화를 활성화하고 데이터 세트 소유자 간의 오픈 소스 협업을 크게 촉진할 수 있습니다.

출처: 베이글 네트워크

FHE가 개인 정보 보호 기계 학습(PPML)을 향상하는 방법

• 데이터 개인 정보 보호: FHE를 사용하면 의료 기록, 금융 정보 또는 개인 식별자와 같은 민감한 데이터를 ML 모델에 입력하기 전에 암호화할 수 있습니다. 이를 통해 컴퓨팅 환경이 침해되더라도 데이터는 기밀로 유지됩니다.

• 안전한 모델 교육: ML 모델 교육에는 많은 양의 데이터가 필요한 경우가 많습니다. FHE를 사용하면 이 데이터를 암호화할 수 있으므로 원본 데이터를 노출하지 않고 모델을 훈련할 수 있습니다. 이는 매우 민감한 정보를 처리하고 엄격한 데이터 개인 정보 보호 규정이 적용되는 산업에 중요합니다.

• 기밀 추론: 훈련 외에도 FHE는 암호화 추론에도 사용될 수 있습니다. 즉, 모델이 훈련되면 암호화된 입력에 대해 예측을 할 수 있으므로 추론 프로세스 전반에 걸쳐 사용자 데이터가 비공개로 유지됩니다.

• FHE의 PPML 적용 분야:

• 의료: 개인 정보를 보호하면서 ML 모델을 교육하면 민감한 환자 정보를 노출하지 않고도 보다 개인화되고 효과적인 치료를 받을 수 있습니다.

• 금융: 금융 기관은 FHE를 사용하여 암호화된 거래 데이터를 분석하여 고객 개인 정보를 유지하면서 사기 탐지 및 위험 평가를 지원할 수 있습니다.

• IoT 및 스마트 장치: 장치는 암호화된 형식으로 데이터를 수집하고 처리할 수 있으므로 위치 데이터나 사용 패턴과 같은 민감한 정보의 기밀이 유지됩니다.

FHE에 대한 질문:

앞서 언급했듯이 FHE 체계 간에는 "균일성"이 없습니다. 이러한 방식은 결합될 수 없으며, 다양한 유형의 계산을 위해 다양한 FHE 방식을 여러 번 결합해야 합니다. 동일한 계산에 대해 서로 다른 시나리오를 실험하는 과정도 상당히 번거롭습니다. CHIMERA 프레임워크는 TFHE, BFV 및 HEAAN과 같은 다양한 FHE 체계 간 전환을 허용하도록 개발 중이지만 현재는 사용할 수 없습니다. 이는 벤치마킹 부족이라는 다음 문제로 이어집니다. 개발자가 이 기술을 채택하려면 벤치마킹이 중요합니다. 이렇게 하면 개발자 시간을 많이 절약할 수 있습니다. 기존의 많은 범용 하드웨어는 계산 오버헤드(암호화, 암호 해독, 부트스트래핑, 키 생성 등)로 인해 그다지 적합하지 않습니다. FHE의 주류 애플리케이션을 활성화하려면 특정 형태의 하드웨어 가속이 필요하거나 특정 칩(FPGA 및/또는 ASIC)을 만들어야 할 수도 있습니다. 이러한 모델의 문제점은 ZK(제로 지식) 산업의 문제점과 비교할 수 있습니다. 다수의 똑똑한 수학자, 응용 과학자, 엔지니어들이 이 분야에 관심을 갖고 있는 한, 우리는 개인 정보 보호를 위한 FHE와 검증 가능성을 위한 ZK라는 두 가지 영역에 대해 계속해서 낙관적인 태도를 취할 것입니다.

4. FHE가 주도하는 미래는 어떤 모습일까요?

모든 것을 지배하는 하나의 FHE 계획이 있을까요? 업계에서는 아직도 이런 논의가 진행 중이다. 통합된 솔루션을 갖는 것이 이상적이기는 하지만, 다양한 애플리케이션의 다양한 요구 사항으로 인해 항상 특정 작업에 최적화된 특수 솔루션이 필요할 수 있습니다. 시나리오 간 상호 운용성이 최선의 솔루션입니까? 상호 운용성은 실제로 다양한 시나리오의 장점을 활용하면서 다양한 컴퓨팅 요구 사항을 유연하게 처리할 수 있는 실용적인 접근 방식일 수 있습니다.

FHE는 언제 사용할 수 있나요? 유용성은 계산 오버헤드 감소, 벤치마킹 표준 개선 및 특수 하드웨어 개발의 진행과 밀접한 관련이 있습니다. 이러한 영역이 발전함에 따라 FHE는 더욱 접근 가능하고 실용적이 될 것입니다.

요약하면 FHE는 데이터 개인 정보 보호 및 보안 컴퓨팅을 위한 강력한 도구를 제공합니다. 현재 상호 운용성, 계산 오버헤드 및 하드웨어 지원에 문제가 있지만 블록체인, 개인 정보 보호 기계 학습 및 광범위한 Web3 애플리케이션에서 FHE의 잠재력은 무시할 수 없습니다. 기술이 지속적으로 발전하고 혁신함에 따라 FHE는 개인 정보 보호 및 보안 컴퓨팅의 미래에서 중요한 역할을 할 것으로 예상됩니다.