💻 computer science

An Adaptive Resource-Aware MK-CKKS Framework with Linear- Complexity Multi-Key Aggregation for Privacy-Preserving Federated Learning in Resource-Constrained IoT Environments

이 논문은 MNIST와 CIFAR-10에 대한 실제 실험을 통해 선형 복잡도의 다중 키 집계와 상당한 성능 향상을 달성한, IoT 환경에서의 개인정보 보호를 위한 적응형 자원 인식형 MK-CKKS 프레임워크를 제시하며, 독립 키 구성 및 물리적 하드웨어 검증은 향후 과제로 투명하게 인정한다.

원저자: Nasir Ahmad Jalali, Hongsong Chen

게시일 2026-08-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nasir Ahmad Jalali, Hongsong Chen

원본 논문은 CC BY 4.0 (https://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

당신의 스마트워치, 이웃의 온도 조절기, 그리고 자동차의 내비게이션 시스템이 더 나은 예측을 하기 위해 함께 학습하고 싶어 하지만, 서로의 비밀을 공유하는 것을 두려워하는 세상을 상상해 보세요. 이것이 바로 **연합 학습(Federated Learning)**의 핵심입니다. 연방 학습은 컴퓨터들이 각자의 개인적인 노트를 건네주는 대신, 오직 '배운 교훈'(수학적 업데이트)만을 주고받으며 협력하는 영리한 방법입니다.

하지만 문제가 있습니다. 이 '교훈'조차도 당신이 무엇을 타이핑했는지, 혹은 어디를 운전했는지와 같은 개인적인 세부 정보를 의도치 않게 드러낼 수 있습니다. 이를 막기 위해 과학자들은 **동형 암호(Homomorphic Encryption)**라는 마법 같은 기술을 사용합니다. 이것은 마치 잠긴 유리 상자와 같습니다. 종이 한 조각을 상자 안에 넣고 잠근 다음, 상자 자체에 수학적 연산을 수행할 수 있습니다. 상자는 더 무거워지거나 모양이 변할 수 있지만, 그 안의 종이는 여전히 숨겨져 있습니다. 마침내 상자를 열었을 때, 그 결과는 종이에 직접 수학 연산을 했을 때 얻었을 결과와 정확히 일치합니다. 하지만 이 '잠긴 상자'들은 무겁고 느리며, 만약 백 명의 친구가 각자의 상자를 합치려고 한다면, 그 과정을 병합하는 작업이 시스템을 마비시키는 물류적 악몽이 될 수 있습니다.

이것이 바로 나시르 아흐마드 잘랄리(Nasir Ahmad Jalali)와 홍송 첸(Hongsong Chen)이 새로운 연구에서 다룬 퍼즐입니다. 그들은 이렇게 질문했습니다. "어떻게 하면 자물쇠를 깨뜨리지 않으면서도, IoT 센서와 같이 작고 배터리로 구동되는 장치들이 이 비밀 공유 수학을 빠르고 가볍게 처리할 수 있을까?"

문제점: 무거운 배낭

과거에 많은 서로 다른 장치로부터 암호화된 업데이트를 결합하려고 시도하는 것은, 수백 개의 서로 다른 언어를 하나의 대화로 합치려는 것과 같았습니다. 두 장치가 서로의 '잠긴 상자'를 공유할 때마다, 그들은 **키 스위칭(key-switching)**이라 불리는 복잡한 번역 단계를 거쳐야 했습니다. 만약 20개의 장치가 있다면, 이 번역은 수백 번 반복되어야 했습니다. 만약 200개의 장치가 있다면, 번역 횟수는 기하급급수적으로 늘어나(이차적으로 증가하여) 시스템을 멈추게 만들었습니다. 그것은 마치 경기장에 있는 모든 사람에게 노래를 부르게 하기 전에, 모든 사람을 일일이 서로 소개하는 것과 같았습니다.

게다가, 표준 암호화 설정은 작은 에너지 소모형 장치가 아닌 거대한 클라우드 서버를 위해 설계되었습니다. 이러한 무거운 설정을 작은 센서에 사용하는 것은 손전등을 자동차 배터리로 작동시키려는 것과 같았습니다. 작동은 하겠지만, 배터리를 즉시 소진시키고 너무 육중했습니다.

해결책: 스마트 조립 라인

저자들은 이러한 암호화된 메시지를 위한 스마트 조립 라인처럼 작동하는 새로운 프레임워크를 제안합니다. 그들의 큰 돌파구는 '번역' 단계를 처리하는 새로운 방식입니다. 모든 장치가 서로 대화하게 만드는 대신, 그들은 **참조 도메인(Reference Domain)**을 도입했습니다.

모두가 중앙 허브로 비밀 메시지를 보내야 하는 스파이 집단을 상상해 보세요. 기존 방식에서는 스파이 A가 스파이 B를 위해 메시지를 번역하고, 다시 스파이 C를 위해 번역하는 식이었습니다. 새로운 방식에서는, 모든 스파이가 자신의 메시지를 공통된 '허브 언어'(참조 도메인)로 딱 한 번만 번역합니다. 일단 모두가 같은 언어를 사용하게 되면, 그들은 단순히 메시지를 하나의 더미에 쏟아부을 수 있습니다. 이는 작업량을 혼란스러운 이차적 복잡성(장치가 두 배가 되면 작업량은 네 배가 되는 상황)에서 단순한 선형 목록(장치가 두 배가 되면 작업량도 두 배가 되는 상황)으로 변화시켰습니다.

그들은 또한 시스템에 '자원 인식형' 두뇌를 추가했습니다. 메시지를 보내기 전, 시스템은 장치의 배터리와 속도를 확인합니다. 장치가 약하다면 더 가볍고 빠른 암호화 설정을 사용하고, 강하다면 더 무겁고 안전한 설정을 사용합니다. 이를 통해 어떤 장치도 과부하가 걸리지 않도록 보장합니다.

실제 발견한 내용

연구진은 단순히 컴퓨터 시뮬레이션에서 이 아이디어들을 실행한 것이 아니라, 시스템을 구축하고 실제로 테스트했습니다. 그들은 시뮬레이션된 장치 네트워크를 사용하여 두 가지 유명한 이미지 데이터셋인 MNIST(손글씨 숫자)와 CIFAR-10(동물과 자동차의 컬러 사진)으로 모델을 학습시켰습니다.

실제 테스트 결과는 다음과 같습니다:

속도: 장치의 수를 20개에서 200개로 늘렸을 때, 그들의 새로운 방식은 기존의 서투른 방식보다 메시지를 결합하는 속도가 9.4배에서 100.6배 더 빨랐습니다.
효율성: 네트워크를 통해 전송되는 데이터 양을 약 39%에서 41% 줄였으며, 한 라운드의 학습을 완료하는 데 걸리는 시간을 66%에서 68% 단축했습니다.
정확도: 가장 중요한 부분은 무엇일까요? 시스템은 암호화되지 않은 버전만큼 잘 학습되었습니다. 손글씨 숫자 테스트에서 **94.98%**의 정확도를 달성했고, 컬러 사진 테스트에서는 **46.97%**를 기록했습니다. '마법 상자'는 수학을 망가뜨리지 않았고, 단지 더 잘 숨겼을 뿐입니다.
패킹 능력: 여러 개의 데이터를 하나의 암호화된 '상자'에 담는 기술(패킹이라고 불림)을 통해, 메시지의 크기를 하나씩 보낼 때와 비교하여 무려 3,900배에서 4,060배나 줄였습니다.

정직한 진실

결과는 인상적이지만, 저자들은 자신들이 아직 하지 못한 부분에 대해 매우 정직하게 밝히고 있습니다. 그들은 이 시스템을 라즈베리 파이나 실제 스마트워치와 같은 물리적인 장치에서 테스트하지 않았으며, 테스트는 표준 컴퓨터 서버에서 수행되었다고 인정합니다. 또한, 그들의 새로운 '독립 키' 설정이 모든 장치에 적용되는 수학적 원리가 완벽하게 작동함을 증명했지만, 아직 실세계의 모든 장치를 위한 공개 라이브러리를 구축하지는 않았다는 점도 언급했습니다. 그것이 다음 단계입니다.

왜 중요한가

이 논문은 우리가 프라이버시와 성능 사이에서 하나를 선택할 필요가 없음을 보여줍니다. 암호화된 장치들이 서로 대화하는 방식을 재설계함으로써, 우리는 우리의 사적인 데이터를 중앙 관리자에게 신뢰할 필요 없이, 스마트 기기들이 함께 학습하여 우리의 삶을 더 좋게 만들 수 있는 미래를 구축할 수 있습니다. 이는 무겁고 느리며 비용이 많이 드는 과정을 가볍고 빠르며 확장 가능한 것으로 바꾸어, 우리 일상의 기기들 속에서 진정한 프라이빗 인공지능을 향한 길을 열어줍니다.

기술 요약: 자원 제약이 있는 IoT 환경에서의 프라이버시 보존형 연합 학습을 위한 적응형 자원 인식형 MK-CKKS 프레임워크

1. 문제 정의

IoT 기기의 확산은 연합 학습(Federated Learning, FL)을 통한 분산 머신러닝을 가능하게 했으나, 자원이 제한된 기기들은 프라이버시 보존 프로토콜을 배포하는 데 있어 상당한 어려움에 직면해 있다. 동형 암호(Homomorphic Encryption, HE), 특히 CKKS 스킴은 암호화된 데이터에 대한 연산을 허용하지만, 표준 설정은 클라우드 규모의 워크로드에 맞춰 튜닝되어 있어 IoT 기기에는 과도한 암호문 크기와 계산 오버 overhead를 초래한다.

이 문제는 클라이언트들이 독립적인 신뢰 도메인에 속해 있어 단일 암호화 키를 공유할 수 없는 멀티 키(multi-key) 환경에서 더욱 악화된다. 기존의 멀티 키 동형 암호(MKHE) 접근 방식은 쌍별(pairwise) 암호문 정렬로 인해 클라이언트 수( $K$ )에 따라 이차적( $O(K^2)$ )으로 증가하는 키 스위칭 비용을 발생시킨다. 또한, 이전 연구들은 자원 적응(단일 키) 또는 멀리 키 집계 중 하나만을 별도로 다루는 경우가 많아, 이질적인 IoT 환경에서 확장성과 128비트 보안을 유지하면서 계산, 통신 및 에너지 비용을 공동으로 최적화하는 프레임워크 사이의 공백을 남겨두고 있다.

2. 방법론

본 논문은 세 가지 핵심 메커니즘을 통합 최적화 모델 아래 통합하는 적응형 자원 인식형 MK-CKKS 프레임워크를 제안한다:

참조 도메인 키 스위칭 프로토콜: $O(K^2)$ 의 확장성 병목 현상을 해결하기 위해, 본 프레임워크는 모든 클라이언트가 서버가 보유한 단일 참조 평가 도메인( $pk_s$ )으로 자신의 암호문을 매핑하는 프로토콜을 도입한다. 쌍별 정렬 대신, 각 클라이언트는 정확히 한 번의 키 스위칭 연산( $c_k \leftarrow KS(c_k, TK_{k \to s})$ )을 수행한다. 이를 통해 전체 키 스위칭 복잡도를 $O(K^2)$ 에서 $O(K)$ 로 줄인다.
공동 다목적 최적화 모델: 프레임워크는 CKKS 파라미터(다항식 모듈러스 차수 $N$ $N$ , 암호문 모듈러스 체인 $Q$ $Q$ , 스케일링 인자 $\Delta$ $Δ$ , 패킹 밀도 $\rho$ $ρ$ , 키 스위칭 빈도 $f_{ks}$ $f_{k s}$ )를 선택하기 위한 최적화 문제를 정식화한다. 목적 함수는 명시적인 제약 조건 하에서 계산, 통신 및 에너지 비용의 가중 합을 최소화하는 것이다:
- 보안: 128비트 보안 수준(RLWE 난이도)을 충족해야 함.
- 정확도: 최소 정확도 임계값을 만족해야 함.
- 자원: 장치별 CPU, 메모리 및 대역폭 제한을 준수해야 함.
적응형 전략:
- 파라미터 적응: 장치들을 자원 계층(저/중/고)별로 분류하여, 보안을 해치지 않으면서도 제약이 있는 장치를 위해 더 작은 다항식 차수( $N$ )를 선택할 수 있도록 한다.
- 암호문 패킹: CKKS의 SIMD 기능을 활용하여 여러 모델 파라미터를 단일 암호문에 패킹함으로써 통신량을 획기적으로 줄인다.
- 계산 분할: 무거운 연산(배치 처리, 멀티 키 변환)을 에지/서버 구성 요소로 오프로딩하는 동시에 로컬 학습은 경량 상태로 유지한다.

3. 주요 기여

본 논문은 시뮬레이션이 아닌 실제 실행을 통해 검증된 네 가지 주요 기여를 주장한다:

선형 복잡도 키 스위칭: 멀티 키 집계 복잡도를 $O(K^2)$ 에서 $O(K)$ 로 줄이는 참조 도메인 프로토콜을 정식화하고 검증하였다. 이 주장은 최대 $K=200$ 명의 클라이언트에 대해 실제 재선형화-프록시(re-linearization-proxy) 연산을 실행함으로써 검증되었으며, 표준 쌍별 정렬 대비 9.4배에서 с100.6배의 속도 향상을 입증하였다.
공동 자원 인식형 최적화: 고정된 128비트 보안 제약 조건 하에서 계산, 통신 및 에너지 비용을 동시에 균형 있게 조절하는 새로운 최적화 모델(식 9)을 제시하며, 이는 단일 차원을 최적화하거나 단일 키 설정에서 작동했던 이전 연구들과 차별화된다.
엄격한 복잡도 및 보안 분석: 적응형 파라미터화가 보안 하한선을 충족하는 집합 내에서 파라미터 탐색을 제한하는 한, 디자인 레벨의 논거(명제 2)를 통해 적응형 파라미터화가 보안 보장을 유지함을 입증하며, 점근적 키 스위칭 개선에 대한 명시적인 주장을 제공한다.
실제 실험을 통한 경험적 검증: 시뮬레이션 기반의 기존 연구와 달리, 본 연구는 다음을 제공한다:
- 비 IID 분할이 적용된 실제 MNIST 및 CIFAR-10 데이터셋에 대한 연합 학습 수행.
- 단순 투영된 공식이 아닌, 실제 암호화 연산(TenSEAL/OpenFHE)의 직접 실행.
- 최대 32개 파티에 대한 멀티 파티 임계값-CKKS(threshold-CKKS) 정확성 검증.
- 통신 감소 및 지연 시간에 대한 실제 측정값.

4. 실험 결과

프레임워크는 정확도를 위해 $K=20$ 클라이언트를, 확장성을 위해 최대 $K=200$ 클라이언트를 사용하여 컴팩트한 단일 은닉층 MLP로 MNIST 및 CIFAR-10 데이터셋에 대해 평가되었다.

정확도: 제안된 프레임워크는 MNIST에서 94.98%, CIFAR-10에서 **46.97%**의 정확도(3개 시드 평균)를 달이트했다. 결정적으로, 암호화된 프레임워크의 정확도는 평문 FedAvg 베이스라인 및 고정 파라미터 CKKS-FL 베이스라인과 수치적으로 동일하였으며, 이는 암호화 및 집계 레이어가 학습 성능에 측정 가능한 저하를 일으키지 않음을 확인시켜 준다.
효율성 이득:
- 통신: 기존의 고정 파라미터 CKKS-FL 대비 통신 오버헤드를 39–41% 감소시켰다.
- 지연 시간: $K=20$ 에서 $200$ 범위에 걸쳐 집계 지연 시간을 66–68% 감소시켰다.
- 패킹 영향: 암호문 패킹은 언패킹된 전송과 비교하여 전송 바이트 수를 3,900배~4,060배 감소시켰다.
확장성: 절제 연구(ablation study)를 통해 참조 도메인 키 스위칭 최적화를 제거할 경우 지연 시간이 약 81% 증가함을 확인하여, $O(K)$ 방식의 구조적 영향을 검증하였다.

5. 의의 및 한계점

의서:
본 논문은 멀티 키 집계와 자원 인식형 최적화 사이의 구체적인 간극을 메우는 것을 기여점으로 포지셔닝한다. 멀티 키 FL 집계에서 선형 확장성을 달야할 수 있으며, 보안(128비트)이나 정확도를 희생하지 않고도 공동 자원 최적화가 가능하다는 것을 입증한다. 결과가 이론적 투영이 아닌 실제 실행된 측정값으로부터 도출되었다는 점에서 그 의의가 크다.

제한 사항 및 범위:
저자들은 다음과 같은 제한 사항과 범위 경계를 명시적으로 밝힌다:

독립 키 검증: $O(K)$ 복잡도 구조는 실제 실행을 통해 검증되었으나, 특정 클라이언트의 독립 키 MK-CKKS 구성(예: Chen–Dai–Kim–Song)의 구체적인 정확성은 해당 구성을 구현하는 공개 라이브러리가 존재하지 않아 경험적으로 검증할 수 없었다. 대신, 프레임워크는 디자인 레벨의 보안 논거와 검증된 임계값-CKKS 실험(OpenFHE)에 의존한다.
하드웨어 제약: 실험은 물리적 IoT 하드웨어(예: Raspberry Pi)가 아닌 단일 vCPU 클라우드 환경에서 수행되었다. 따라서 에너지 수치는 직접적인 하드웨어 측정이 아닌 시간과 일정 전력 소모를 기반으로 한 모델링된 추정치이다.
모델 규모: 암호화 및 키 스위칭 실험을 계산 예산 내에서 실행 가능하게 유지하기 위해 컴팩트한 MLP를 사용하는 것을 의도적 선택으로 하였다. 저자들은 CIFAR-10에 대한 절대적 정확도(46.97%)가 CNN 기반 문헌 벤치마크보다 낮다는 점을 인정한다.
위협 모델: 본 프레임워크는 정직하지만 호기심 많은(honest-but-curious) 서버 및 도청자에 대한 기밀성을 다룬다. 악의적이거나 비잔틴(Byzantine) 클라이언트 및 물리적 장치 침해에 대한 방어는 범위 밖이다.

결론적으로, 본 논문은 멀티 키 집계의 확장성 병목 현상을 타겟팅하여, 보안(128비트)이나 정확도를 해치지 않으면서도 IoT에서의 프라이버시 보존형 FL에 대한 계산 및 통신 장벽을 낮추는 검증된 프레임워크를 제공하며, 독립 키 라이브러리 구현 및 물리적 하드웨어 검증의 잔여 격차를 투명하게 인정하고 있다.