FHE: 데이터 프라이버시 보호

출처: IOBC Capital

디지털 시대에는 데이터 프라이버시 보호가 그 어느 때보다 중요합니다. 빅데이터, 클라우드 컴퓨팅, 사물인터넷(IoT) 기술의 급속한 발전으로 개인 정보의 수집, 저장, 분석이 점점 더 보편화되고 있습니다. 그러나 이는 데이터 유출 및 오용의 위험도 함께 수반합니다.

FHE, 즉 완전 동형 암호화를 사용하면 암호화된 데이터에서 직접 연산을 수행할 수 있으며, 그 결과는 원본 데이터에서 동일한 연산을 수행한 것과 동일합니다. 즉, 원본 데이터를 노출하지 않고도 데이터를 처리하고 분석할 수 있으며, 데이터 프라이버시와 무결성을 보호할 수 있는 새로운 솔루션을 제공합니다.

FHE의 이론적 토대는 리베스트 등이 최초의 동형 암호화 문제를 제기한 1978년으로 거슬러 올라갑니다. 2009년 젠트리가 박사 논문에서 달성 가능한 완전 동형 암호화 체계를 처음으로 구축하면서 FHE 연구가 본격화되기 시작했습니다. 초기 FHE 체계는 계산 효율성이 매우 낮았고 실제 애플리케이션의 요구 사항을 충족할 수 없었습니다. 연구자들이 FHE의 성능을 크게 개선하는 최적화 체계를 계속 제안함에 따라 FHE 연구는 효율성을 개선하고 계산 복잡성을 줄이며 애플리케이션 시나리오를 확장하는 방향으로 나아가고 있습니다.

FHE의 기술적 구현 경로

이상적 격자 기반 FHE 체계

이것이 현재 가장 실용적이고 효율적인 FHE 구성 방법으로 인식되고 있으며 모듈로 연산을 통한 고리 연산이라는 대수 구조를 활용하는 것이 주요 아이디어입니다. 링의 이상적인 인자를 분해하여 암호화 및 복호화 연산을 완료하는 것입니다. 대표적인 방식으로는 BGV, BFV, CKKS 등이 있으며, 이러한 방식은 효율성이 높다는 장점이 있지만 더 큰 키와 암호문 공간이 필요하다는 단점이 있습니다.

매트릭스 기반 FHE 방식

이 방식은 평문 정보를 매트릭스로 인코딩하고 매트릭스 연산을 통해 동형성을 달성하는 방식입니다. 대표적인 방식으로는 보안성은 높지만 효율성이 낮은 것이 특징인 GSW와 HiNC가 있습니다.

NTRU 기반 FHE 스키마

NTRU(Number Theory Research Unit)는 좋은 대수적 구조와 순환 대칭성을 가지고 있어 YASHE, NTRU -이러한 체계의 장점은 키와 암호문 크기가 작아 리소스가 제한된 환경에 적합하다는 것입니다.

학습 잡음 산술 회로(LWE/LWR)에 기반한 FHE 방식

이론적 혁신에 더 중점을 둔 FHEW, TFHE 등 LWE/LWR 퍼즐을 기반으로 구축한 암호화 방식을 사용하면 매우 강력한 보안을 달성할 수 있습니다. 보안을 달성할 수 있지만 실용성은 제한적입니다.

FHE와 ZKP

FHE와 ZKP는 모두 암호화 기술이지만 거의 상호보완적인 관계에 있습니다.

ZKP를 사용하면 증명자는 특정 세부 정보를 공개하지 않고도 메시지가 정확하다는 것을 검증자에게 증명할 수 있으며, 검증자는 연산을 다시 실행하지 않고도 메시지의 정확성과 계산의 무결성을 확인할 수 있습니다. ZKP는 정보를 공개하지 않고도 정확성을 증명할 수 있지만, 일반적으로 입력 내용이 평문 형식으로 되어 있어 개인정보 침해로 이어질 수 있습니다.

암호화된 데이터에 대해 복호화 없이 임의의 연산을 수행할 수 있어 데이터 프라이버시를 보호할 수 있는 FHE를 도입하면 이 문제를 해결할 수 있습니다. 그러나 FHE는 계산의 정확성과 신뢰성을 보장할 수 없다는 문제를 안고 있는데, 바로 이 문제를 ZKP가 해결한 것입니다.

FHE+ZKP의 기술 조합을 통해 한편으로는 FHE가 입력 데이터와 계산 과정의 프라이버시를 보호하고, 다른 한편으로는 ZKP가 FHE 계산의 정확성, 합법성, 감사 가능성을 암호화된 증명으로 제공하여 궁극적으로 진정 안전하고 신뢰할 수 있는 프라이버시 계산을 실현하므로 민감한 데이터 처리, 다자간 협력 계산 등 개인정보 보호가 필요한 애플리케이션 시나리오에 유용합니다. 매우 가치가 있습니다.

ZAMA: FHE 파일럿

Zama는 블록체인과 AI를 위한 최첨단 FHE 솔루션을 구축하는 오픈 소스 암호화 회사입니다. 4가지 주요 오픈 소스 솔루션이 있습니다.

TFHE-rs는 암호화된 데이터에서 부울 및 정수 연산을 수행하기 위해 Torus에서 완전 동형 암호화를 구현한 Rust이며, TFHE-rs 라이브러리는 프로그래밍 가능한 부트스트래핑( 프로그래머블 부트스트래핑) 추가 및 함수 평가.

콘크리트는 프레임워크의 일부로 TFHE 컴파일러를 포함하는 오픈 소스 FHE 프레임워크로, 개발자가 일반 프로그래밍 코드를 컴퓨터가 FHE를 사용하여 실행할 수 있는 명령어로 변환하여 FHE 프로그램을 쉽게 작성할 수 있도록 해줍니다. FHE로 암호화된 데이터를 계산하면 많은 노이즈가 발생하여 오류가 발생할 수 있습니다. Concrete의 기본 오류 확률은 매우 낮으며, 개발자는 이 오류 확률의 매개변수를 유연하게 수정할 수 있습니다.

Concrete ML은 Concrete를 기반으로 구축된 개인정보 보호 머신 러닝(PPML)을 위한 오픈 소스 도구로, 개발자가 암호화에 대한 지식 없이도 머신 러닝 모델에 FHE를 통합할 수 있도록 해줍니다.

fhEVM은 개발자가 온체인에서 암호화된 스마트 컨트랙트를 실행할 수 있도록 하여, 온체인 데이터의 프라이버시를 보호하는 동시에 스마트 컨트랙트를 구성할 수 있도록 합니다. fhEVM은 TFHE-rs를 통합하는 동시에 새로운 TFHE 솔리디티 라이브러리를 도입합니다. 라이브러리를 도입하여 개발자들이 솔리디티를 사용해 암호화된 데이터에서 연산할 수 있도록 합니다.

Fhenix: 최초의 FHE 롤업

Fhenix는 최초의 FHE 기반 Layer2 롤업으로, Zama의 TFHE-rs를 기반으로 자체 암호화 계산 라이브러리를 구축했습니다. -fheOS는 스마트 컨트랙트가 온체인에서 FHE 프리미티브를 사용할 수 있도록 하는 공통 암호화 연산 코드의 사전 컴파일된 버전을 포함하고 있습니다. fheOS는 또한 복호화 및 재암호화 요청을 위한 롤업과 임계치 서비스 네트워크(TSN) 간의 통신 및 인증과 복호화 요청이 합법적인지 증명하는 역할을 담당합니다. fheOS 라이브러리는 다음을 목적으로 합니다. 기존 버전의 EVM에 확장으로 삽입되며 EVM과 완벽하게 호환됩니다.

Fhenix의 합의 메커니즘은 Arbitrum의 Nitro 증명자를 사용합니다. 부정 증명을 선택한 이유는 FHE와 zkSNARK의 기본 구조가 동일하지 않고, ZKP를 사용하여 FHE를 검증하는 것은 계산 집약적이기 때문에 현재 기술 단계에서는 거의 불가능하기 때문입니다.

피닉스는 또한 최근 아이겐레이어와 협력하여 다른 퍼블릭 체인, L2, L3 등에 FHE 계산을 도입하기 위해 FHE 코프로세서를 개발했습니다. Fhenix는 7일의 이의 제기 기간을 가진 사기 증명을 사용하기 때문에, 코프로세서가 빠른 거래 확인을 달성하고 성능을 크게 향상시키는 데 EigenLayer의 서비스가 도움이 될 수 있습니다.

Inco 네트워크: 서비스로서의 기밀성

Inco는 웹3의 공통 개인정보 보호 계층 역할을 하는 모듈식 신뢰 컴퓨팅 계층1입니다. 개발자는 fhEVM을 지원하여 이더리움 에코시스템에서 솔리디티 언어와 개발 도구를 사용하여 프라이버시 디앱을 빠르게 구축할 수 있습니다. 동시에 Inco는 브리징과 IBC 프로토콜을 통해 기본 암호화가 없는 EVM과 Cosmos 체인에 CaaS 서비스를 제공합니다. CaaS 서비스는 세 가지 주요 기능으로 구성됩니다.

온체인(On-chain) 암호화된 상태: 오프체인 저장소 없이 암호화된 데이터를 온체인에 직접 저장,

조합 가능한 암호화된 상태: 암호화된 데이터를 해독할 필요 없이 온체인에서 상태 전환을 수행,

온체인 난수: 외부 난수 서비스 없이 앱의 난수를 온체인에서 생성하여 앱이 직접 온체인에 구축될 수 있도록 합니다.

현재 Inco는 게임, NFT, RWA, 투표 거버넌스, DID 등과 같은 다양한 사용 사례를 보유하고 있습니다.

Mind 네트워크: FHE 리스타킹 레이어

Mind는 AI와 POS 네트워크를 위해 맞춤화된 최초의 FHE 리스테이크 레이어입니다. 리스테이크 레이어로서 이더리움, 비트코인, AI 블루칩 기업의 리스테이크 토큰을 받아 서약하고, FHE 검증 네트워크로서 각 노드의 데이터를 검증하여 합의를 도출하고 데이터 무결성과 보안을 보장하며, 마인드는 탈중앙화 AI, 디핀, 아이겐레이어 AVS입니다, Babylon AVS 및 주요 POS 네트워크를 통해 경제적 보안을 제공하고 전체 시스템의 합의와 신뢰성을 유지합니다.

리스테이크 레이어: EigenLayer와 함께, 스테이크스톤, 렌조, 바빌론, 앵커 등을 통해 이더와 비트코인 네트워크에서 보안을 도출하고, 체인링크 CCIP, 커넥스트 등을 통해 크로스체인 원격 리스테이킹을 지원합니다.

보안 레이어: 검증 및 합의 계산 프로세스의 엔드투엔드 암호화를 보장하기 위해 FHE 강화 검증기를 도입하고, Fhenix와 Inco의 fhEVM 모듈을 통합하여 보안을 더욱 강화합니다.

합의 레이어: AI 작업을 위해 특별히 설계된 지능 증명(POI) 합의 메커니즘을 도입하여 FHE 검증자 간에 공정하고 안전한 보상 분배를 보장합니다. 또한, 마인드 네트워크는 알트레이어, 아이겐다, 아비트럼 오빗과 협력하여 더 낮은 비용과 빠른 성능으로 합의 컴퓨팅을 강화하기 위해 롤업 체인을 출시하고 있습니다.

Privasea: 인간 증명

Privasea는 FHE 머신러닝을 위한 Depin+AI 네트워크로, 다음과 같은 핵심 구성 요소를 포함하는 기술 아키텍처를 갖추고 있습니다."

HESea Library: 이것은 다음과 같은 암호화된 데이터에 대한 안전한 계산을 제공하는 고급 FHE 라이브러리입니다. 이 라이브러리는 TFHE, CKKS, BGV/BFV 등과 같은 다양한 FHE 체계를 지원합니다.

Privasea API: 데이터 제출, 모델 학습, 예측을 위한 작업을 간소화하고 전송 및 처리 중에 데이터의 암호화를 보장하는 일련의 기능과 엔드포인트를 제공하는 Privasea AI 네트워크용 API입니다.

프라이바네틱스: 암호화된 데이터를 효율적으로 처리할 수 있는 여러 고성능 컴퓨팅 노드로 구성된 탈중앙화 컴퓨팅 네트워크입니다. 각 노드는 HESea 라이브러리를 통합하여 데이터 프라이버시와 연산 성능을 보장합니다.

프리바세아 스마트 컨트랙트 스위트: 스마트 컨트랙트를 통해 프리바네틱스 노드의 등록과 기여를 추적하고 계산을 검증하며 보상을 분배하는 블록체인 기술 기반의 인센티브 메커니즘으로 참여자에게 동기 부여와 공정성을 보장합니다.

Privasea는 FHE를 기반으로 한 ImHuman 앱을 출시하고 사용자가 인간임을 증명할 수 있는 Proof of Human을 개발했습니다. 봇과 AI 사칭의 위협으로부터 디지털 신원을 보호할 수 있도록 설계되었습니다. 사용자는 얼굴 생체인식을 통해 실제 인간임을 인증할 수 있으며, 인간 신원 증명 역할을 하는 고유한 NFT를 생성할 수 있습니다. ImHuman 앱을 사용하면 사용자는 개인 정보를 노출하지 않고도 웹3.0과 웹2.0 플랫폼 모두에서 안전하게 신원을 확인할 수 있습니다.

마지막에 쓰여진 글

디파이 공간에서 FHE는 민감한 금융 정보를 공개하지 않고 거래와 자금 흐름을 가능하게 하여 사용자의 개인정보를 보호하고 시장 위험을 줄일 수 있으며, MEV 문제를 효과적으로 해결할 수 있는 한 가지 방법이 될 수 있습니다. 풀체인 게임에서 FHE는 플레이어의 점수, 게임 진행 상황 등의 데이터를 암호화된 상태로 보호하는 동시에 게임 로직을 데이터 노출 없이 온체인에서 실행할 수 있게 하여 게임의 공정성과 보안을 강화합니다; AI 분야에서 FHE는 암호화된 데이터의 분석과 모델 학습을 가능하게 하여 데이터 프라이버시를 보호할 뿐만 아니라 기관 간 데이터 공유와 협력을 촉진하고 보다 안전하고 규정을 준수하는 AI를 촉진합니다. 안전하고 규정을 준수하는 AI 애플리케이션.

FHE는 실용성과 효율성 측면에서 여전히 많은 과제에 직면해 있지만, 고유한 이론적 토대는 병목 현상을 극복할 수 있는 가능성을 제시합니다. 향후 FHE는 알고리즘 최적화와 하드웨어 가속을 통해 성능을 크게 개선하고 적용 시나리오를 확장하여 데이터 프라이버시 보호 및 보안 컴퓨팅을 위한 더욱 견고한 기반을 제공할 것으로 기대됩니다.