Variational Encrypted Model Predictive Control

Each language version is independently generated for its own context, not a direct translation.

🎭 1. 문제 상황: "비밀스러운 요리사 vs 의심 많은 고객"

상상해 보세요. 당신이 아주 비싼 레시피 (시스템 모델) 와 현재 주방의 상태 (상태 데이터) 를 가지고 있습니다. 하지만 당신은 이 정보를 외부에 절대 알려주고 싶지 않습니다.

고객 (사용자): "내 레시피와 현재 상황을 알려주지 않고, 이 재료를 어떻게 조리해야 가장 맛있고 안전할지 (최적의 제어 입력) 계산해 줘."
요리사 (클라우드 서버): "알겠습니다. 하지만 저는 당신의 재료를 직접 보지 않고는 요리할 수 없어요. 만약 재료를 보여준다면, 저는 그걸 훔쳐보거나 다른 사람에게 알려버릴 수도 있죠."

기존에는 이 문제를 해결하기 위해 두 가지 방법이 있었지만, 둘 다 단점이 컸습니다.

데이터를 그대로 보내기: 요리사가 재료를 훔쳐볼 수 있어 비밀이 새어 나갑니다.
암호화해서 보내기: 재료를 암호화 (잠금) 해서 보냈는데, 요리사가 암호를 풀지 않고는 "이 재료가 너무 많으니 줄여야 해" (비선형 연산) 같은 복잡한 판단을 할 수 없어서 요리가 엉망이 되거나, 계속 암호를 풀고 다시 잠그는 과정을 반복해야 해서 너무 느렸습니다.

💡 2. 해결책: "VEMPC (변분 암호화 예측 제어)"

이 논문은 **"요리사에게 재료를 보여줄 필요도, 암호를 풀 필요도 없이, 요리사만의 특수한 방식으로 요리를 시키는 방법"**을 제안합니다.

🎲 핵심 아이디어 1: "주사위 굴리기" (샘플링)

기존에는 "가장 완벽한 요리법 하나"를 찾기 위해 복잡한 계산을 반복했습니다. 하지만 이 방법은 **"수천 개의 요리 시나리오를 무작위로 만들어보고, 그중 가장 좋은 걸 고르는 방식"**으로 바꿉니다.

비유: 최고의 요리법을 딱 하나 찾기 위해 100 번을 고민하는 대신, 요리사에게 "무작위 재료를 섞은 요리 100 가지를 만들어봐"라고 시킵니다. 그리고 그중 가장 맛있는 걸 고르면 됩니다.
장점: 이 방식은 암호화된 상태에서도 계산하기 매우 쉬운 '다항식 (곱셈과 덧셈)'만으로 가능합니다.

🧲 핵심 아이디어 2: "자석으로 재료를 끌어당기기" (지수 기울기)

여기서 가장 중요한 마법이 일어납니다. 보통 무작위로 만든 요리 중에는 "재료가 너무 많아서 못 먹는 (제약 조건 위반)" 시나리오도 많습니다.

기존 방식: 요리사가 "이건 재료가 너무 많네?"라고 판단해서 버려야 합니다. (하지만 암호화된 상태에서는 판단할 수 없습니다.)
이 논문의 방식: 요리사가 무작위 재료를 섞을 때, 이미 "재료가 너무 많으면 안 되는" 자석 (확률 분포) 을 미리 섞어둡니다.
- 그래서 요리사가 무작위로 재료를 섞을 때, 자연스럽게 "재료가 너무 많은 요리"는 만들어지지 않고, "적당한 요리"만 자연스럽게 만들어집니다.
- 결과: 요리사는 복잡한 판단 (비교, 조건부 분기) 을 할 필요가 전혀 없습니다. 그냥 섞으면 되니까요.

📦 핵심 아이디어 3: "택배 상자 두 개로 해결" (병렬 처리)

이 방법은 두 가지 방식으로 속도를 높입니다.

한 번에 여러 개: 요리사가 한 번에 여러 개의 요리 시나리오를 동시에 만들 수 있습니다.
여러 요리사가 협업: 여러 명의 요리사 (컴퓨터 코어) 가 동시에 각자의 시나리오를 만들어냅니다.

이 덕분에 암호화된 상태에서도 0.03 초 (30 밀리초) 만에 계산을 끝낼 수 있어, 실시간으로 로봇이나 드론을 조종할 수 있을 정도로 빠릅니다.

🚀 3. 실제 효과: "비밀은 안전하고, 로봇은 빠르게"

연구진은 이 방법을 **역전차 (Inverted Pendulum)**라는 장난감에 적용해 봤습니다.

상황: 역전차가 넘어지지 않게 균형을 잡아야 합니다.
결과: 암호화된 데이터를 클라우드에 보내서 계산을 해도, 암호화되지 않은 일반 계산과 거의 똑같은 성능을 냈습니다.
속도: 계산이 끝나는 시간이 30 밀리초 정도라, 역전차가 넘어지기 전에 바로바로 균형을 잡을 수 있었습니다.

📝 요약: 이 논문이 왜 중요한가요?

보안: 당신의 데이터 (위치, 속도, 비전공 정보 등) 를 암호화한 채로 외부 서버에 맡겨도, 서버는 그 내용을 전혀 알 수 없습니다.
속도: 기존 암호화 방식은 너무 느려서 실시간 제어에 쓸 수 없었는데, 이 방법은 **실시간 (Real-time)**으로 쓸 수 있을 정도로 빠릅니다.
간단함: 복잡한 암호 해독 과정을 중간에 거치지 않아도 되어, 시스템이 훨씬 단순하고 효율적입니다.

한 줄 요약:

"비밀을 지키면서도, 복잡한 계산을 외부에 맡겨도 순간적으로 최적의 결정을 내릴 수 있게 해주는 **'마법의 요리법'**을 개발했습니다."

Each language version is independently generated for its own context, not a direct translation.

논문 요약: 변분 암호화 모델 예측 제어 (VEMPC)

1. 문제 제기 (Problem Statement)

배경: 모델 예측 제어 (MPC) 는 제약 조건을 명시적으로 처리하고 이론적 보장을 제공하여 산업 제어 시스템에서 널리 사용됩니다. 그러나 MPC 는 매 시간 단계마다 최적화 문제를 풀어야 하므로, 이를 클라우드 서버에 위임하는 것이 유망합니다.
도전 과제: 시스템 상태, 모델 파라미터, 궤적 데이터 등을 외부 서버로 전송할 때 사생활 침해 (Privacy) 우려가 발생합니다.
기존 Homomorphic Encryption (HE) 의 한계:
- HE 는 암호화된 데이터에 대한 덧셈과 곱셈은 지원하지만, MPC 최적화에서 필수적인 **비다항식 연산 (비선형 제약 조건 처리, 투영, 비교 등)**을 직접 수행하기 어렵습니다.
- 기존 접근법들은 반복적인 클라이언트 - 서버 간 통신 (중간 복호화 필요) 이나 비최적의 단일 그라디언트 스텝을 요구하여 실시간 제어 성능을 저하시켰습니다.
- 명시적 피드백 법칙을 사전 계산하는 방식은 온라인 상태 영역 식별을 위해 비교 연산이 필요하여 추가 통신 오버헤드가 발생합니다.

2. 제안된 방법론 (Methodology: VEMPC)

저자들은 제약 조건이 있는 MPC 최적화 문제를 샘플링 기반 추정 (Sampling-based Estimation) 문제로 변환하는 변분 (Variational) 접근법을 제안합니다.

핵심 아이디어: 지수 기울기 (Exponential Tilting)
- 기존 MPC 의 2 차 비용 함수 (Quadratic Cost) 를 샘플링 분포를 "기울이는 (Tilting)" 방식으로 자연스럽게 흡수합니다.
- 참조 분포 $\kappa_0$ 를 가우시안 분포로 설정하고, 비용 함수에 비례하는 지수 항을 곱하여 새로운 분포 $\tilde{\kappa}$ 를 유도합니다.
- 결과: 이 과정을 통해 온라인 실행 시 비싼 암호화된 행렬 - 벡터 곱셈 (Quadratic term evaluation) 이 불필요해집니다. 비용 항이 분포의 평균과 공분산에 이미 반영되기 때문입니다.
제약 조건 처리 (Constraint Handling):
- 제약 조건 위반 여부를 나타내는 하드 인디케이터 (0 또는 1) 는 HE 에서 직접 계산할 수 없습니다.
- 이를 **다항식 대리 함수 (Polynomial Surrogate)**로 대체합니다.
  1. 집계 위반 점수 (Aggregate Violation Score): 모든 제약 조건의 위반 정도를 합산합니다.
  2. 체비셰프 다항식 근사: $[ \cdot ]_+$ (양수 부분) 함수를 체비셰프 다항식으로 근사하여 암호화된 환경에서 계산 가능하게 만듭니다.
  3. 임계값 보정: 근사 오차로 인해 유효한 샘플이 불필요하게 패널티를 받지 않도록 임계값 ( $\tau_s$ ) 을 도입합니다.
프로토콜 구조 (Client-Cloud Protocol):
- 오프라인 단계: 시스템 모델 ( $H, G$ ) 과 참조 분포 파라미터만 사용하여 암호화된 행렬 ( $L_U, \Gamma$ ) 을 생성하고 클라우드에 저장합니다.
- 온라인 단계:
  1. 클라이언트는 현재 상태 $x(t)$ 를 암호화하여 클라우드에 전송합니다.
  2. 클라우드는 오프라인에 저장된 데이터를 활용하여 암호화된 샘플 ( $U^{(i)}$ ) 과 제약 잔차 ( $g(U^{(i)})$ ) 를 생성합니다.
  3. 다항식 근사를 통해 제약 위반 점수를 계산하고, 이를 기반으로 가중치를 부여한 샘플들의 평균을 구합니다.
  4. 클라이언트는 결과를 복호화하여 첫 번째 제어 입력을 적용합니다.
- 특징: 중간 복호화 없이 단일 통신 라운드로 완료되며, 모든 연산이 암호화된 다항식 연산으로 수행됩니다.

3. 주요 기여 (Key Contributions)

VEMPC 프로토콜 제안: 2 차 비용 항을 폐형식 (Closed-form) 기울어진 가우시안 분포에 흡수시켜, 투영이나 반복 최적화 없이 효율적인 온라인 실행을 가능하게 함.
HE 호환성 증명: 샘플링된 제어 궤적과 제약 잔차가 샘플링 노이즈에 대한 아핀 (Affine) 함수임을 보임으로써, 암호화된 덧셈과 저차수 다항식 평가만으로 프로토콜이 구성 가능함을 입증.
이중 병렬화 (Dual Parallelism) 활용:
- 플레인텍스트 레벨: 여러 샘플 ( $K$ 개) 을 병렬 처리.
- 암호문 레벨: CKKS 의 SIMD(Single-Instruction-Multiple-Data) 패킹을 활용하여 하나의 암호문에 여러 샘플을 담아 병렬 처리.
- 이를 통해 수십 밀리초 (tens of milliseconds) 내의 실시간 실행 달성.
오픈소스 구현: Python 과 Go 언어로 OpenFHE 및 Lattigo 라이브러리를 사용하여 구현 코드를 공개.

4. 실험 결과 (Results)

시나리오: 역진자 (Inverted Pendulum) 시스템을 대상으로 한 시뮬레이션 (샘플링 주기 50ms).
성능:
- 암호화되지 않은 변분 MPC 와 유사한 제어 성능을 보이며, 상태가 원점으로 수렴하고 모든 제약 조건을 만족함 (Fig. 1).
- 실행 시간: Apple M5 노트북 환경에서 128 비트 보안 수준 유지 시, 평균 온라인 계산 시간이 약 28.66ms로 샘플링 시간 (50ms) 내에 완료됨.
- 확장성: 다항식 차수 ( $\ell$ ), 링 차수 ( $N_{ct}$ ), 샘플 수 ( $K$ ) 가 증가함에 따라 계산 시간이 선형적으로 증가하지만, 병렬화 기법으로 인해 $K$ 가 2 배가 되어도 계산 시간이 거의 일정하게 유지되는 것을 확인 (SIMD 효과).

5. 의의 및 결론 (Significance)

기술적 혁신: 기존 암호화 최적화의 병목이었던 "비선형/비다항식 연산"과 "반복적 통신" 문제를 변분 추론과 지수 기울기 기법을 통해 우회하여 해결했습니다.
실용성: 암호화 오차 (Approximation error) 가 제어 성능에 미치는 영향을 분석하고, 이를 통해 보안과 실시간성 사이의 균형을 이룰 수 있음을 보였습니다.
미래 전망: 클라우드 기반의 프라이버시 보호형 제어 시스템 구현을 위한 실질적인 토대를 마련했으며, 실시간 제어에 필요한 지연 시간을 크게 단축하여 상용화 가능성을 높였습니다.

핵심 요약: 이 논문은 MPC 의 최적화 문제를 샘플링 기반 추정 문제로 재해석하고, 지수 기울기 기법과 다항식 근사를 결합하여 **암호화된 환경에서도 중간 복호화 없이 실시간으로 제어 입력을 생성할 수 있는 새로운 프로토콜 (VEMPC)**을 제안했습니다. 이를 통해 클라우드 기반의 안전한 제어 시스템 구현을 가능하게 했습니다.