💬 NLP

ComputeFHE: A Privacy-Preserving General-Purpose Computation Library

ComputeFHE는 친숙한 명령형 프로그래밍 인터페이스와 최적화된 산술 논리 장치 아키텍처를 제공함으로써 상당한 성능 향상과 부트스트래핑 비용 절감을 실현하여 프라이버시 보호 애플리케이션 개발을 단순화하는 OpenFHE 및 TFHE 암호 체계 기반의 오픈 소스 C++ 라이브러리입니다.

원저자: Faris Serdar Tasel, Efe Ciftci

게시일 2026-06-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Faris Serdar Tasel, Efe Ciftci

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신에게 아주 소중한 비밀, 예를 들어 세계적으로 유명한 케이크 레시피가 있다고 상상해 보세요. 당신은 이 레시피를 유명한 셰프에게 맡겨서 직접 구워달라고 하고 싶지만, 만약 레시피를 건네주었다가 그들이 이를 훔치거나 다른 사람들과 공유할까 봐 몹시 두렵습니다.

**완전 동형 암호(Fully Homomorphic Encryption, FHE)**는 마치 마법 같은, 방음이 되는 주방과 같습니다. 당신은 재료와 레시피를 셰프에게 주지만, 이 모든 것은 투명하고 깨지지 않는 유리 상자 안에 잠겨 있습니다. 셰프는 상자를 열거나 실제 재료를 보지 않고도 상자 안에서 케이크를 섞고, 굽고, 맛을 볼 수 있습니다. 작업이 끝나면 셰프는 완성된 케이크가 담긴 상자를 당신에게 돌려줍니다. 셰프는 레시피가 무엇인지 결코 알지 못했지만, 여전히 그 일을 해냈습니다.

하지만 한 가지 문제가 있습니다. 상자를 방음 상태로 유지하고 깨지지 않게 만드는 것은 매우 어려운 일입니다. 셰프가 재료를 섞거나 구울 때마다, 상자에는 약간의 "소음"(라디오의 잡음 같은 것)이 발생합니다. 만약 소음이 너무 커지면 상자가 깨지고 비밀은 사라지게 됩니다. 이를 해결하기 위해 셰프는 멈춰 서서 소음을 제거하는 거대하고 힘겨운 "재설정" 과정인 **부트스트래핑(bootstrapping)**을 수행해야 합니다. 이 작업을 너무 자주 하면 과정이 믿기지 않을 정도로 느려지고 비용이 많이 듭니다.

등장하는 ComputeFHE: "스마트한 셰프의 조수"

이 논문은 개발자들이 이 마법 같은 주방을 사용할 수 있도록 도와주는 새로운 소프트웨어 도구(라이브러리)인 ComputeFHE를 소개합니다.

ComputeFHE가 하는 일은 다음과 같습니다.

1. 인간의 언어로 말하기 (C++)
보통 이 마법 같은 주방을 위한 프로그래밍은 복잡하고 외계어 같은 수학 언어를 알아야 합니다. ComputeFHE는 개발자들이 일반적인 컴퓨터 프로그래밍처럼 느껴지는 언어인 **C++**로 코드를 작성할 수 있게 해줍니다.

비유: 개발자는 "암호화어"를 말하는 대신, 단순히 sum = a + b(두 수를 더하라)라고 쓰기만 하면 됩니다. 그러면 라이브러리가 숫자들이 암호화된 상태를 유지하는 복잡한 마법을 자동으로 처리합니다. 이는 불가능해 보이는 일을 일상적인 코딩처럼 느끼게 만듭니다.

2. "최적화된" 주방 vs "표준" 주방
논문은 상자 안에서 수학을 수행하는 두 가지 방법을 설명합니다.

표준 ALU: 이것은 복잡한 기계를 만들기 위해 기본 도구(숟가락과 포크)를 사용하는 것과 같습니다. 작동은 하지만, 단계가 매우 많고 소음이 많이 발생하여 빈번한 "재설정"(부트스트래핑)이 필요합니다.
최적화된 ALU: ComputeFHE는 또한 특화된, FHE 친화적인 도구(이 유리 상자에 맞게 특별 제작된 거품기 같은 것) 세트를 제공합니다. 이러한 도구들은 훨씬 더 효율적입니다.
결과: 논문은 이 특별한 도구들을 사용하면 프로세스가 최대 3.9배 빨라질 수 있다고 주장하는데, 이는 소음을 제거하기 위해 셰프가 멈춰야 하는 횟수를 획기적으로 줄여주기 때문입니다. 예를 들어, 암호화된 숫자 목록을 정렬하는 작업은 3,843번의 재설정이 필요했던 것에서 2,016번으로 줄어들었습니다.

3. "시뮬레이션 모드" (연습 게임)
가장 유용한 기능 중 하나는 시뮬레이션 모드입니다.

비유: 비싸고 소음이 발생하는 실제 주방에서 진짜 케이크를 굽기 전에, 컴퓨터에서 "연습 게임"을 실행해 볼 수 있습니다. 시뮬레이터는 주방의 비디오 게임 버전처럼 작동합니다. 실제로 아무것도 굽지 않고 실제 암호화 마법도 사용하지 않지만, 당신이 실제로 얼마나 많은 "재설정"을 해야 할지, 그리고 시간이 얼마나 걸릴지를 정확히 알려줍니다.
중요성: 이를 통해 개발자는 슈퍼컴퓨터를 사용하거나 결과를 기다리며 몇 시간을 허비하지 않고도 코드를 테스트하고 수정할 수 있습니다. 이는 집을 짓기 전에 설계도를 확인하는 것과 같습니다.

4. "위치" 숨기기 (Oblivious Access)
때로는 데이터가 '무엇'인지뿐만 아니라, 데이터 목록의 '어디'를 보고 있는지도 숨기고 싶을 때가 있습니다.

비유: 당신이 특정 책을 고르고 싶지만, 사서가 당신이 어떤 책을 골랐는지 모르게 하고 싶은 도서관을 상상해 보세요. ComputeFHE는 당신이 보고 있는 인덱스(위치)를 드러내지 않고 목록의 항목에 접근할 수 있게 해줍니다. 이것을 "오블리비어스 배열 접근(oblivious array access)"이라고 합니다.

할 수 있는 것과 할 수 없는 것 (논문에 근거함)

할 수 있는 것: 암호화된 상자 안에서 정수(integers)와 소수점이 있는 숫자(fixed-point)를 다룰 수 있습니다. 수학(덧셈, 뺄셈, 곱셈, 나눗셈), 논리(if/else 문), 그리고 정렬을 지원합니다.
할 수 없는 것 (아직): 표준 "부동 소수점(floating-point)" 숫자(고성능 과학 시뮬레이션에 사용되는 복잡한 소수)를 네이티브하게 지원하지 않지만, 고정 소수점(fixed-point) 숫자를 우회 방법으로 사용합니다. 또한, 숨겨진 목록에 접근하는 것(oblivious access)은 여전히 매우 비용이 많이 들며 주의해서 사용해야 한다고 명시하고 있습니다.

요약

ComputeFHE는 데이터를 전혀 보지 않고도 비밀 데이터를 처리하는 소프트웨어를 훨씬 쉽고 빠르게 구축할 수 있게 해주는 툴킷입니다. 복잡한 암호 수학을 단순한 코드로 번역해주고, 프로세스를 가속화할 수 있는 "특별한 도구"를 제공하며, 실제 비싼 하드웨어에서 실행하기 전에 아이디어를 테스트할 수 있는 "연습 모드"를 포함하고 있습니다. 이 도구는 OpenFHE라는 다른 도구를 기반으로 구축되었으며, 누구나 무료로 사용할 수 있습니다.

기술 요약: ComputeFHE

문제 정의

완전 동형 암호(Fully Homomorphic Encryption, FHE)는 데이터를 복호화하지 않고도 암호화된 데이터에 대한 연산을 가능하게 하여 데이터의 기밀성을 유지한다. 그러나 높은 계산 비용과 개발의 복잡성으로 인해 실질적인 도입이 저해되고 있다. 특히 TFHE(Torus FHE) 방식의 주요 병목 현상은 동형 연산 중에 발생하는 노이즈의 축적이며, 이는 노이즈 수준을 초기화하기 위한 주기적인 "부트스트래핑(bootstrapping)"을 필요로 한다. 현재의 부트스트래핑 절차는 계산 집약적이며, FHE 애플리케이션 개발의 복잡성은 심층적인 암호학적 메커니즘에 대한 전문 지식을 요구하여 일반 소프트웨어 개발자들의 접근성을 제한한다.

방법론

본 논문은 TFHE 암호 체계를 기반으로 하는 프라이버시 보호 애플리케이션 개발을 용이하게 하기 위해 설계된 오픈 소스 C++ 라이브러리인 ComputeFHE를 소개한다. 이 라이브러리는 기초적인 암호학적 연산(키 생성, 암호화, 복호화 및 동형 논리 게이트)을 위한 백엔드로 OpenFHE를 기반으로 구축되었다.

ComputeFHE는 다음과 같은 방법론적 접근을 통해 식별된 문제들을 해결한다:

명령형 프로그래밍 패러다임: 이 라이브러리는 표준 명령형 프로그래밍과 유사한 C++ 인터페이스를 제공한다. 암호화된 데이터 타입(Eint, Efixedpoint, Evector)과 오버로딩된 연산자를 제공하여, 개발자가 저수준의 암호학적 세부 사항을 관리할 필요 없이 익숙한 구문을 사용하여 알고리즘을 작성할 수 있도록 한다.
이중 ALU 아키텍처: ComputeFHE는 두 가지 구별된 산술 논리 장치(ALU) 전략을 구현한다:
- StandardALU: 전통적인 2-입력 논리 게이트(AND, OR, XOR)를 사용하는 베이스라인 구현체이다.
- OptimizedALU: FHE 친화적인 특수 3-입력 논리 게이트(예: Majority, MulAdd)와 선행 연구[15]에서 제안된 더 효율적인 알고리즘을 활용하는 구현체이다. 이 아키텍처는 필요한 부트스트래핑 연산 횟수를 줄이는 것을 목표로 한다.
시뮬레이션 모드: 테스트 비용을 완화하기 위해, 이 라이브러리는 실제 암호학적 연산을 수행하지 않고 ALU 연산을 에뮬레이션하는 시뮬레이터를 포함한다. 이 모드는 추정 부트스트래핑 횟수 및 회로 복잡도와 같은 통계적 지표를 제공하여, 표준 하드웨어에서의 디버깅 및 성능 분석을 가능하게 한다.
클라이언트/서버 모드: 라이브러리는 변수 초기화 및 변환 시 자동 암호화/복호화를 수행하는 클라이언트 모드와, 평문이 포함된 암호화 데이터에 대한 최적화된 연산을 수행하는 서버 모드를 지원한다.

주요 기여

범용 라이브러리: 암호화된 정수 및 고정 소수점 데이터 타입과 함께 산술, 논리, 비교 및 조건 연산을 제공하는 C++ 라이브러리이다.
옵리비어스 배열 액세스(Oblivious Array Access): 평문 또는 암호화된 인덱스를 사용하여 배열 요소에 읽기 및 쓰기를 허용하며, 관찰자로부터 메모리 액세스 패턴을 숨기는 암호화된 벡터(Evector) 구현을 제공한다.
암호화된 조건부 로직: 멀티플렉싱 연산을 사용하여 암호화된 조건에 따라 암호화된 변수를 수정하는 암호화된 조건문(Eif 매크로)을 지원한다.
최적화된 프리미티브: 표준 게이트 기반 구현에 비해 부트스트래핑 오버헤드를 크게 줄이는 특수 논리 게이트를 통합하였다.
접근성 도구: Docker 기반의 배포 환경과 시뮬레이션 모드를 통해 심층적인 FHE 전문 지식이 부족한 개발자의 진입 장벽을 낮춘다.

결과

논문에 제시된 실험 결과는 StandardALU 대비 OptimizedALU 아키텍처의 효용성을 입증한다:

부트스트래핑 감소: 최적화된 구현은 필요한 부트스트래핑 연산 횟수를 크게 줄인다. 선택된 연산에 대해 성능 향상 폭은 1.74배에서 3.91배에 달한다.
- 예시: 32비트 정수 비교의 경우, 부트스트래핑 연산이 125회(Standard)에서 32회(Optimized)로 감소하여 3.91배의 이득을 보였다.
- 예시: 32비트 나눗셈/나머지 연산의 경우, 연산이 9,768회에서 4,064회로 감소하여 2.40배의 이득을 보였다.
- 참고: 등호 및 부등호 연산자는 표준 구현이 이미 최적에 가까웠기 때문에 이득이 없었다(1배).
정렬 알고리즘: Batcher odd-even mergesort 예제에서, 최적화된 버전은 표준 버전에 비해 3,843회의 부트스트래핑 연산이 필요했던 것을 2,016회로 줄였다.
옵리비어스 액세스: 옵리비어스 배열 액세스는 여전히 계산 비용이 높지만( $O(n)$ ), 최적화된 ALU는 요소당 평균 부트스트래핑 비용을 약 1.45배에서 1.81배 감소시켰다.

의의 및 주장

본 논문은 ComputeFHE를 복잡한 암호학 연구와 애플리케이션 개발 사이의 간극을 메우는 실용적인 프레임워크로 규정한다. 주요 의의는 다음과 같다:

전문 지식 장벽 완화: TFHE의 복잡성을 C++ 명령형 모델로 추상화함으로써, 개발자가 기저의 암호학적 메커니즘을 숙달하지 않고도 프라이버시 보호 알고리즘을 구현할 수 있게 한다.
최적화를 통한 효율성: FHE 친화적인 논리 프리미티브를 활용하는 것이 부트스트래핑이라는 계산적 병목 현상을 실질적으로 줄일 수 있음을 입증하며, 특정 알고리즘의 실질적 배포 가능성을 높인다.
개발 워크플로우: 시뮬레이션 모드의 포함은 과도한 비용이 드는 실제 동형 연산을 실행하기 전에 조기 단계에서 복잡도 분석 및 디버깅을 가능하게 한다.

저자들은 암호화된 부동 소수점 산술 지원의 부재(대신 고정 소수점 사용)와 옵리비어스 배열 액세스의 높은 비용을 포함한 현재의 한계를 인정한다. 향후 연구에서는 이러한 영역을 해결함과 동시에 신호 처리, 머신 러닝, 스테가노그래피를 위한 최적화된 구현을 탐구할 계획이다.