💻 computer science

HE-CloudML: A Privacy-Preserving Framework for Secure Machine Learning Inference over Encrypted Cloud Data Using Homomorphic Encryption

이 논문은 동형 암호를 사용하여 암호화된 클라우드 데이터에 대해 안전하고 효율적인 심층 신경망 추론을 가능하게 하며, 다양한 프라이버시 공격에 대한 강력한 저항성을 보장하는 동시에 기존 솔루션보다 상당한 지연 시간 개선과 평문 수준의 정확도를 달성하는 프라이버시 보존 프레임워크인 HE-CloudML을 소개한다.

원저자: Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi

게시일 2026-06-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Abdullahi Ahmed Abdirahman, Abdirahman Osman Hashi, Ubaid Mohamed Dahir, Mohamed Abdirahman Elmi

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

당신에게 의료 기록이나 은행 계좌 정보처럼 매우 민감한 비밀이 있다고 상상해 보세요. 당신은 이 데이터를 분석하여 답을 얻기 위해 아주 똑똑한 컴퓨터(클라우드 서버)에게 질문하고 싶지만, 컴퓨터가 작업을 수행하는 동안 당신의 데이터를 훔쳐볼까 봐 겁이 납니다.

보통 답을 얻으려면 데이터를 있는 그대로 보여주며 건네줘야 합니다. HE-CloudML은 이 게임의 규칙을 바꾸는 새로운 발명품입니다. 이것은 당신이 데이터를 깨지지 않는 잠긴 상자에 담아 클라우드로 보내면, 컴퓨터가 상자를 한 번도 열지 않고 그 안에서 모든 수학 계산을 수행하게 한 뒤, 여전히 상자에 담긴 채로 당신에게 답을 돌려보낼 수 있게 해줍니다. 최종 결과를 잠금 해제할 수 있는 열쇠는 오직 당신만이 가지고 있습니다.

이 논문은 이 마법 같은 과정을 다음과 같이 쉬운 개념들로 나누어 설명합니다.

1. "마법의 상자" (동형 암호, Homomorphic Encryption)

**동형 암호(Homomorphic Encryption)**를 마법의 장갑 상자라고 생각해 보세요.

문제점: 보통 로봇에게 편지를 분류하게 하려면 편지를 봉투에서 꺼내야 합니다. 만약 로봇이 신뢰할 수 없는 존재라면, 당신의 편지를 읽을 수 있습니다.
해결책: HE-CloudML을 사용하면, 당신은 특별히 투명하지만 깨지지 않는 장갑 상자 안에 편지를 넣습니다. 로봇은 상자를 흔들고, 편지를 섞고, 심지어 개수까지 셀 수 있지만, 그 과정에서 편지를 절대 직접 보지는 못합니다. 작업이 끝나면 로봇은 상자를 당신에게 돌려줍니다. 당신이 상자를 열면 편지는 완벽하게 분류되어 있습니다.

2. 세 부분으로 구성된 팀

이 논문은 이 시스템을 협력하는 3단계 팀으로 설명합니다.

클라이언트 (당신): 당신은 비밀 열쇠를 쥐고 있는 사람입니다. 당신은 데이터를 상자에 넣고 잠급니다. 당신만이 최종 답을 열 수 있습니다.
클라우드 서버 (일꾼): 클라우드에 있는 강력한 컴퓨터입니다. 이 컴퓨터는 모든 무거운 작업과 복잡한 수학 계산을 수행하지만, 오직 잠긴 상자만을 다룹니다. 이 서버는 "정직하지만 호기심 많은(honest but curious)" 상태입니다. 즉, 규칙을 완벽하게 따르지만 상자 안에 무엇이 들어있는지 최대한 추측하려고 노력합니다. 논문은 서버가 아무것도 배우지 못한다고 주장합니다.
키 볼트 (Key Vault): 키를 관리하는 보안 저장소입니다. "비밀 열쇠"는 당신에게 머물러 있고, 특별한 "작업용 키"가 클라우드 서버에 전달되어, 서버가 상자를 열지 않고도 수학 계산을 할 수 있게 해줍니다.

3. "수학 문제" 해결하기 (다항식 근사, Polynomial Approximations)

딥러닝(생각을 하는 AI)은 보통 까다롭고 곡선적인 수학 함수(ReLU나 Sigmoid 같은)를 사용하는데, 이는 잠긴 상자 안에서 수행하기 어렵습니다.

비유: 직선으로만 이루어진 격자 안에서 완벽한 원을 그리려고 노력한다고 상상해 보세요. 정확하게 그리는 것은 불가능합니다.
해결책: 연구진은 **체비쇼프 다항식(Chebyshev polynomials)**이라는 영리한 트릭을 사용했습니다. 완벽한 곡선을 그리려고 애쓰는 대신, 곡선과 거의 똑같이 보이는 일련의 직선들을 사용하여 이를 근사화했습니다.
결과: 이제 AI는 잠긴 상자 안에서도 매우 높은 정확도로 사고할 수 있습니다. 논문에서 테스트한 결과, AI는 데이터를 직접 보았을 때와 거의 유사한 수준의 지능을 보였습니다 (최악의 경우에도 약 1~2% 정도의 정확도 차이만 발생).

4. "배칭" 트릭 (여러 일을 동시에 하기)

잠긴 상자를 하나씩 처리하는 것은 느립니다.

비유: 한 번에 편지를 한 통씩만 운반할 수 있는 우체부를 상상해 보세요. 1,000통을 배달하려면 영원히 걸릴 것입니다.
해결책: HE-CloudML은 암호문 배칭(Ciphertext Batching) 기술을 사용합니다. 수백 개의 서로 다른 데이터 포인트를 단 하나의 잠긴 상자에 담습니다. 클라우드 서버는 한 번에 하나씩이 아니라, 마치 컨베이어 벨트 위의 쿠키 쟁반 전체를 처리하듯 모든 데이터를 동시에 처리합니다. 이 방식은 시스템을 훨씬 빠르게 만듭니다.

5. 무엇을 테스트했는가?

저자들은 단순히 이론적으로만 구축한 것이 아니라, 이 기술이 어디서나 작동함을 증명하기 위해 세 가지 매우 다른 유형의 실제 데이터를 테스트했습니다.

숫자 인식 (MNIST): 손글씨 숫자를 식별합니다.
사물 인식 (CIFAR-10): 사진 속의 자동차, 고양이, 비행기 등을 식별합니다.
의료 영상: 흉부 X-레이를 보고 폐렴을 찾아냅니다.
금융 사기: 은행 거래를 확인하여 사기 징후를 포착합니다.

6. 결과: 빠르고 프라이빗함

정확도: 시스템은 놀라울 정도로 정확했습니다. 예를 들어, X-레이에서 폐렴을 **93.61%**의 정확도로 식별했고, 금융 사기를 **96.44%**의 정확도로 잡아냈습니다. 이는 데이터를 직접 볼 때 얻는 결과와 매우 유사합니다.
속도: 과거에는 잠긴 데이터로 이런 종류의 수학 계산을 하는 데 항목당 몇 분 또는 몇 시간이 걸렸습니다. 논문은 HE-CloudML이 기존 방식보다 26.9배 더 빠르다고 주장합니다. 이미지 하나를 처리하는 데 약 9~24초가 걸리는데, 이는 엄청난 개선이지만, 저자들은 실시간 영상 통화처럼 즉각적인 반응이 필요한 작업에는 여전히 느리다는 점을 인정했습니다.

7. 한계점 (Catch)

논문은 단점에 대해서도 솔직하게 밝히고 있습니다.

크기: "잠긴 상자"는 매우 큽니다. 데이터 크기가 원래 크기의 약 1,000배로 늘어납니다. 이는 많은 컴퓨터 메모리(작업당 약 4.8 GB)를 필요로 합니다.
속도: 기존 방식보다 26배 빠르긴 하지만, 데이터를 일반적인 방식으로 볼 때보다는 여전히 느립니다. 찰나의 순간이 필요한 작업에는 사용할 수 없습니다.
신뢰 모델: 클라우드 서버가 규칙을 따를 것이라고 가정합니다(상자를 부수거나 속임수를 쓰지 않을 것이라는 가정). 이는 프로세스를 적극적으로 방해하려는 서버로부터는 보호하지 못합니다.

요약

HE-CloudML은 당신의 가장 민감한 데이터(의료, 금융, 개인 정보)를 클라우드 제공업체에게 절대 노출하지 않으면서도, 강력한 클라우드 AI를 사용할 수 있게 해주는 새로운 프레임워크입니다. 이 시스템은 "마법의 상자" 암호화 방식, 복잡한 곡선을 근사화하는 영리한 수학적 트릭, 그리고 속도를 높이기 위한 "배칭" 시스템을 사용합니다. 논문은 이것이 의료, 금융, 일반 이미지 인식을 아우르며 높은 정확도를 달-성한 첫 번째 시스템이라고 주장하며, 이를 통해 프라이빗한 클라우드 컴퓨팅을 훨씬 더 현실적인 가능성으로 만들었습니다.

기술 요약: HE-CloudML

문제 정의
머신러닝 서비스(MLaaS)의 광범в한 도입은 민감한 사용자 데이터(예: 의료 기록, 금융 거래)가 추론을 위해 신뢰할 수 없는 클라우드 서버로 평문 상태로 전송되어야 한다는 점에서 심각한 프라이버시 취약성을 야기합니다. 기존의 프라이버시 보호 기술들은 상당한 한계를 가지고 있습니다: 차분 프라이버시(Differential Privacy, DP)는 모델 정확도를 저하시키고, 연합 학습(Federated Learning, FL)은 그래디언트 역전(gradient inversion)에 취약하며 추론 중의 데이터를 보호하지 못하며, 보안 다자간 계산(SMPC)은 높은 통신 오버헤드를 발생시키고, 신뢰 실행 환경(TEE)은 하드웨어 신뢰 가설에 의존합니다. 동형 암호(Homomorphic Encryption, HE)는 암호문 상에서 연산을 가능하게 함으로써 수학적으로 엄격한 솔루션을 제공하지만, 기존의 HE 기반 추론 시스템(예: CryptoNets, CryptoDL)은 대개 얕은 구조로 제한되며, 부트스트래핑(bootstrapping)을 지원하는 심층 신경망(DNN) 지원이 부족하고, 클라우드 네이티브 배포 과제(키 관리 및 배칭 등)를 해결하지 못하며, 의료 및 금융과 같은 다양한 실제 도메인에 걸쳐 검증된 경우가 드뭅니다.

방법론
본 논문은 CKKS(Cheon-Kim-Kim-Song) 동형 암호 방식을 사용하여 암호화된 클라우드 데이터에 대해 보안 DNN 추론을 수행하도록 설계된 통합 3계층 프레임워크인 HE-CloudML을 제안합니다. 이 아키텍처는 다음으로 구성됩니다:

클라이언트 계층(Client Tier): 데이터 인코딩, CKKS 암호화 및 복호화를 담당합니다. 클라이언트는 비밀키를 보유하여 원시 데이터가 절대 노출되지 않도록 합니다.
클라우드 서버 계층(Cloud Server Tier): 암호문 전체에서 추론 엔진을 실행합니다. 이 계층은 프로토콜을 올바르게 따르지만 입력값으로부터 정보를 유추하려고 시도하는 "정직하지만 호기심 많은(honest-but-curious)" 모델로 가정됩니다.
키 보관소 계층(Key Vault Tier): 비밀키를 격리된 상태로 유지하면서 공개 키 및 평가 키의 분배를 관리합니다.

주요 기술 구성 요소는 다음과 같습니다:

HE-호환 아키텍처: 비선형 활성화 함수(ReLU, Sigmoid)를 **5차 체비쇼프 미니맥스 다항식 근사(degree-5 Chebyshev minimax polynomial approximations)**로 대체합니다. MaxPool 레이어는 스트라이드 평균 풀링(strided average pooling)으로 대체되며, 배치 정규화(Batch Normalization)는 전처리 과정에서 선형 가중치에 흡수됩니다.
최적화된 추론 파이프라인: 본 프레임워크는 단일 암호문 내에서 여러 샘플을 동시에 처리하기 위해 **SIMD 암호문 배칭(SIMD ciphertext batching, slot packing)**을 활용합니다. 또한, 모듈러스 체인 깊이가 특정 임계값 아래로 떨어질 때만 비용이 많이 드는 부트스트래핑 연산을 호출하는 적응형 레이지 부트스트래핑(adaptive lazy bootstrapping) 전략을 채택하여 지연 시간을 줄입니다.
보안 모델: 시스템은 **RLWE(Ring Learning With Errors)**의 어려움에 근거한 IND-CPA 보안 모델 하에서 작동하며, 추론, 모델 역전 및 멤버십 추론 공격에 대한 저항성을 제공합니다.

주요 기여

통합 프레임워크: HE-CloudML은 CKKS 기반의 심층 신경망 추론, 적응형 암호문 배칭, 그리고 클라우드 네이티브 키 관리를 단일 확장 가능한 아키텍처로 통합한 첫 번째 프레임워크로 제시됩니다.
최적화 전략: 본 논문은 다항식 활성화 근사와 적응형 모듈러스 스위칭을 결합한 특정 파이프라인을 도입하여, 이전 연구들에 비해 동형 연산 깊이와 지연 시간을 크게 감소시켰습니다.
공식 보안 분석: IND-CPA 모델 하에서 엄격한 보안 분석을 제공하여, 신뢰할 수 있는 하드웨어 없이도 일반적인 클라우드 ML 공격에 대한 이론적 저항성을 입증했습니다.
다중 도메인 검증: 토이 데이터셋에 국한되었던 이전 연구들과 달리, HE-CloudML은 벤치마크 이미지 분류(MNIST, CIFAR-10), 의료 영상(흉부 X-레이), 금융 사기 탐지(IEEE-CIS)라는 세 가지 뚜렷한 도메인에서 평가되었습니다.

실험 결과
실험은 Microsoft SEAL 라이브러리(CKKS, $N=2^{14}$ , 128비트 보안)를 사용하여 AMD EPYC 7742 서버에서 수행되었습니다.

정확도: HE-CloudML은 최소한의 저하와 함께 모든 도메인에서 평문(plaintext)에 근접한 정확도를 달성했습니다:
- MNIST: 99.28% (베이스라인 대비 0.13% 하락).
- CIFAR-10: 90.37% (1.81% 하락).
- 의료 영상: 93.61% (1.12% 하락).
- 금융 사기: 96.44% (1.18% 하락).
- 이는 CIFAR-10에서 77.60%를 기록한 CryptoNets 및 PPCNN과 같은 베이스라인보다 유의미한 개선을 나타냅니다.
지연 시간: 프레임워크는 상당한 속도 향상을 보여주었습니다. MNIST의 경우 샘플당 9.3초를 기록하여, CryptoNets(250초) 대비 26.9배, GAZELLE 대비 2.4배 빠른 성능을 보였습니다.
오버헤드: 시스템은 추론 1회당 4.8 GB의 메모리 풋프린트와 약 1,050배의 암호문 확장 비율을 가집로 합니다. 관찰된 최대 정확도 저하는 1.81%였습니다.
절제 연구(Ablation Study): 저자들은 5차 다항식이 정확도와 승수 깊이(multiplicative depth) 사이의 최적의 절충안을 제공한다는 것을 발견했습니다. 차수를 5보다 높게 설정하면 정확도의 이득은 미미한 반면 계산 비용은 크게 증가했습니다.

의의 및 주장
본 논문은 심층 신경망 추론, CKKS 암호화, 그리고 다중 도메인 실세계 평가를 동시에 지원하는 범용 클라우드 네이티브 프레임워크를 제공함으로써 문헌의 핵심적인 공백을 메운다고 주장합니다. 저자들은 본 연구가 강력한 프라이버시 보장, 높은 추론 효용성, 그리고 계산 가능성을 단일 아키텍처 내에서 동시에 달성할 수 있음을 입증한다고 단언합니다. 의료 및 금융 분야에 걸친 검증을 통해, HE-CloudML은 규제 준수(예: HIPAA, GDPR)나 데이터 주권을 타협하지 않고도 프라이버시에 민감한 산업군이 클라우드 기반 AI를 채택할 수 있게 한다고 주장합니다.

한계점 및 향후 과제
저자들은 현재의 한계를 다음과 같이 인정합니다:

지연 시간: 추론 시간(9.3~24.6초)이 여전히 실시간 대화형 애플리케이션을 사용하기에는 너무 높습니다.
자원 제약: 높은 메모리 오버헤드(4.8 GB)는 엣지 장치의 확장성 및 동시 세션 처리에 제한을 줍니다.
적대자 모델: 현재 프레임워크는 악의적인(malicious) 적대자가 아닌 준정직한(semi-honest) 적대자에 대해서만 방어합니다.
데이터 양상: 평가는 2D 및 구조화된 데이터에 국한되어 있어, 복잡한 3D 영상이나 다중 모달 융합을 제외합니다.

저자들이 제안하는 향후 방향에는 GPU 가속 HE 라이브러리 통합, 정밀도 요구 사항을 줄이기 위한 양자화 인식 학습(quantization-aware training) 적용, 그리고 악의적 적대자에 대한 저항력을 위한 검증 가능한 계산(SNARKs) 지원 확대 등이 포함됩니다.