IOSG Ventures: FHE가 Web3에서 더 나은 적용 가능성을 가진 이유는 무엇인가?

원저자: IOSG Ventures

프라이버시는 인간과 조직에 대한 기본적 권리입니다. 개인의 경우, 사람들이 제3자에게 공유하고 싶지 않은 정보를 공개하지 않고도 자유롭게 자신을 표현할 수 있도록 도와줍니다. 오늘날 대부분의 조직에서 데이터는 기본 상품으로 간주되며, 데이터 프라이버시는 이 상품을 보호하는 데 필수적입니다. 사이퍼펑크 운동과 데이터의 상품화는 암호화 원시의 연구 및 개발을 가속화했습니다.

암호화는 상당히 광범위한 분야이며, 컴퓨팅의 맥락에서 암호화를 살펴보면 1960년대에 처음 등장한 이래로 지속적으로 개선된 제로 지식 증명, 동형 암호화, 비밀 공유 등과 같은 다양한 체계를 볼 수 있습니다. 이러한 체계는 개인 컴퓨팅 방법을 잠금 해제하는 데 필수적입니다(데이터는 사람들이 통찰력을 발견할 수 있기 때문에 주요 상품입니다). 오늘날까지 개인 컴퓨팅 분야는 다자간 계산 및 제로 지식 증명에서 상당한 진전을 이루었지만 입력 데이터 자체에는 항상 개인 정보 보호 문제가 있습니다.

가장 중요한 상품이 공개된 경우, 어떤 데이터 소유자도 법적 계약 없이 이 데이터의 계산을 아웃소싱하기 매우 어렵습니다. 오늘날 모든 사람은 건강 데이터의 경우 HIPAA, 특히 유럽 지역의 데이터 프라이버시의 경우 GDPR과 같은 데이터 프라이버시에 대한 준수 표준에 의존합니다.

블록체인 공간에서 우리는 규제 기관의 무결성보다 기술의 무결성을 더 믿습니다. 허가 없는 권한 부여와 소유권 극대화를 믿는 사람으로서, 사용자가 데이터를 소유하는 미래를 믿는다면, 그 데이터에 대한 계산을 수행하는 신뢰할 수 없는 방법이 필요합니다. 암호화된 데이터에 대한 계산을 수행하는 개념은 2009년 크레이그 젠트리의 연구까지는 이해하기 어려웠습니다. 누군가가 암호문(즉, 암호화된 데이터)에 대한 계산(덧셈 및 곱셈)을 수행할 수 있었던 것은 이번이 처음이었습니다.

1. 완전 동형 암호화(FHE)의 작동 방식

그렇다면 컴퓨터가 입력 내용을 이해하지 않고도 계산을 수행할 수 있게 해주는 "마법의 수학"이란 정확히 무엇일까요?

완전 동형 암호화(FHE)는 데이터를 해독하지 않고도 암호화된 데이터(암호문)에 대한 계산을 수행할 수 있는 암호화 방식의 한 종류로, 개인 정보 보호 및 데이터 보호를 위한 다양한 사용 사례를 열어줍니다.

FHE 프로세스에서 데이터가 암호화되면 노이즈라는 추가 데이터가 원래 데이터에 추가됩니다. 이는 데이터를 암호화하는 프로세스입니다.

동형 계산(덧셈 또는 곱셈)을 수행할 때마다 추가 노이즈가 추가됩니다. 계산이 너무 복잡하면 노이즈를 매번 추가하면 결국 암호문을 해독하기가 매우 어려워집니다(계산적으로 매우 무겁습니다). 이 프로세스는 노이즈가 선형적으로 증가하는 반면 곱셈의 경우 노이즈가 기하급수적으로 증가하기 때문에 덧셈에 더 적합합니다. 따라서 복잡한 다항식 곱셈이 있는 경우 출력을 해독하는 것이 매우 어려울 것입니다.

노이즈가 주요 문제이고 노이즈의 증가로 인해 FHE를 사용하기 어려운 경우, 이를 제어해야 합니다. 이로 인해 부트스트래핑이라는 새로운 프로세스가 생겨났습니다. 부트스트래핑은 암호화된 데이터를 새 키로 암호화하고 암호화에서 해독하는 프로세스입니다. 이는 최종 출력의 계산 오버헤드와 해독 오버헤드를 크게 줄이기 때문에 매우 중요합니다. 부트스트래핑은 최종 해독 오버헤드를 줄이는 반면, 프로세스에는 많은 양의 운영 오버헤드가 있습니다. 이는 비용이 많이 들고 시간이 많이 걸릴 수 있습니다.

현재 주요 FHE 계획에는 BFV, BGV, CKKS, FHEW, TFHE가 있습니다. TFHE를 제외하고 이러한 계획의 약어는 논문 저자의 이름입니다.

이러한 체계를 같은 국가에서 사용하는 서로 다른 언어로 생각해보세요. 각각 다른 것에 최적화되어 있습니다. 이상적으로는 모든 언어가 같은 기계에서 이해될 수 있는 통일된 국가가 되는 것입니다. 많은 FHE 작업 그룹이 이러한 서로 다른 체계를 구성 가능하게 만들기 위해 노력하고 있습니다. SEAL(BFV와 CKKS 체계 결합) 및 HElib(BGV + 대략적인 CKKS)와 같은 라이브러리는 서로 다른 계산을 위한 FHE 체계 또는 체계 조합을 구현하는 데 도움이 됩니다. 예를 들어, Zamas Concrete 라이브러리는 TFHE용 Rust 컴파일러입니다.

2. FHE 계획 비교

아래는 Charles Guter, Dimitris Mouris, Nectarios George Tsousos가 작성한 논문 SoK: 표준화된 벤치마크를 통한 완전 동형 암호화 라이브러리에 대한 새로운 통찰력(2022)에서 다양한 라이브러리의 성능을 비교한 것입니다.

Web3 사용 사례

오늘날 블록체인과 애플리케이션을 사용할 때 모든 데이터는 공개되어 모든 사람이 볼 수 있습니다. 이는 대부분의 사용 사례에 좋지만 기본적으로 개인 정보 보호 또는 데이터 기밀성(예: 머신 러닝 모델, 의료 데이터베이스, 유전체학, 개인 금융, 조작되지 않은 게임 등)이 필요한 많은 사용 사례를 완전히 제한합니다. FHE 기반 블록체인 또는 가상 머신은 본질적으로 전체 체인의 상태를 처음부터 암호화하여 개인 정보를 보호하고 암호화된 데이터에 대한 임의의 계산을 수행할 수 있도록 합니다. FHE 기반 블록체인 네트워크에서 저장되거나 처리되는 모든 데이터는 본질적으로 안전합니다. Zama에는 EVM 계산을 완전히 동형 환경에서 수행할 수 있는 fhEVM 체계가 있습니다. 이를 통해 이 라이브러리를 사용하여 구축된 모든 L1/L2 프로젝트의 실행 수준에서 개인 정보를 보호할 수 있습니다. 개인 정보 보호 체인은 항상 멋진 기술이었지만 채택률과 토큰 성능은 크게 증가하지 않았습니다.

일반적인 목적의 연산을 아웃소싱하는 측면에서 FHE 자체는 ZK와 MPC를 대체하기 위한 것이 아닙니다. 이 둘은 서로를 보완하여 신뢰할 수 없는 사설 컴퓨팅 거대 기업을 만들 수 있습니다. 예를 들어, Sunscreen은 모든 블록체인 애플리케이션이 FHE 컴퓨팅 환경에 연산을 아웃소싱하고 결과를 피드백할 수 있도록 하는 개인 정보 보호 엔진을 구축하고 있습니다. 결과 연산은 ZK 증명을 통해 검증할 수 있습니다. Octra는 비슷한 작업을 수행하지만 hFHE라는 다른 유형의 암호화 체계를 사용합니다.

ZK 증명은 데이터를 공개하지 않고 무언가를 증명하는 데 좋지만, 증명자는 어느 시점에서 그 데이터에 여전히 접근할 수 있었습니다. ZK 증명은 비공개 데이터에 대한 계산에는 사용할 수 없습니다. 일부 계산이 올바르게 수행되었는지만 확인할 수 있습니다.

MPC는 암호화된 데이터의 계산을 여러 머신에 분산하고, 병렬로 계산을 수행한 다음 최종 계산 결과를 함께 꿰매줍니다. 계산을 수행하는 머신의 대부분이 정직한 한, 원래 데이터를 검색할 수 없지만, 이는 여전히 신뢰 가정입니다. MPC에 필요한 당사자 간의 지속적인 통신(데이터는 지속적으로 분할, 계산 및 다시 연결되어야 함)으로 인해 하드웨어를 통해 확장하기가 어려워집니다.

FHE에서 모든 계산은 암호화된 데이터에 대해 복호화 없이 수행되며, 이는 단일 서버에서 수행될 수 있습니다. FHE의 성능은 더 나은 하드웨어, 더 많은 컴퓨팅 리소스 및 하드웨어 가속으로 확장될 수 있습니다.

현재 블록체인 공간에서 FHE의 가장 좋은 사용 사례는 내장된 FHE L1/L2를 구축하는 것보다는 범용 컴퓨팅을 아웃소싱하는 것입니다. FHE가 잠금 해제할 수 있는 몇 가지 흥미로운 사용 사례는 다음과 같습니다.

• 1세대(암호화폐 기반): 온체인 DID, 카지노, 베팅, 투표, 게임, 개인 DeFi, 개인 토큰, 다크 풀, 2FA, 백업, 비밀번호.

• 2세대(모듈형): "개인정보 보호를 위한 체인링크", 아웃소싱 개인 컴퓨팅, 블록체인과 계약 간 종단 간 암호화, 암호화된 데이터 가용성, 검증 가능한 안전한 데이터 저장소.

• 3세대(기업 수준): 복잡한 소비자 애플리케이션, 암호화되고 분산된 LLM, 인공 지능, 웨어러블 기기, 통신, 군사, 의료, 개인 정보를 보호하는 지불 솔루션, 개인 P2P 지불.

FHE를 기반으로 한 현재 산업 프로젝트

완전 동형 암호화(FHE)의 개발은 이 기술을 활용하여 데이터 프라이버시와 보안을 강화하는 여러 혁신적인 블록체인 프로젝트에 영감을 주었습니다. 이 섹션에서는 Inco, Fhenix, Zama와 같은 주목할 만한 프로젝트의 기술적 세부 사항과 고유한 접근 방식을 살펴봅니다.

인코

Inco는 FHE와 블록체인의 통합을 개척하여 데이터 계산을 안전하고 비공개적으로 만드는 플랫폼을 만들고 있습니다. Inco는 격자 기반 암호화를 사용하여 FHE 체계를 구현하여 기본 평문을 노출하지 않고도 암호문(암호화된 데이터)에 대한 작업을 수행할 수 있도록 합니다. 이 플랫폼은 개인 정보 보호 스마트 계약을 지원하여 암호화된 데이터를 블록체인에서 직접 처리할 수 있습니다.

• 격자 기반 FHE: Inco는 FHE 구현에 격자 기반 암호화를 활용합니다. 이는 양자 이후 보안 속성으로 유명하며, 미래에 발생할 수 있는 양자 공격에 대한 회복성을 보장합니다.

• 개인 정보를 보호하는 스마트 계약: Inco의 스마트 계약은 암호화된 입력에 대해 임의의 함수를 실행할 수 있으므로, 계약이나 계약을 실행하는 노드가 일반 텍스트 데이터에 액세스할 수 없습니다.

• 노이즈 관리 및 부트스트래핑: 준동형 연산 중 노이즈 증가 문제를 처리하기 위해 Inco는 복잡한 계산을 수행하는 동안 암호문을 새로 고치고 복호화 가능성을 유지하기 위해 효율적인 부트스트래핑 기술을 구현합니다.

페닉스

Fhenix는 FHE를 사용하여 사용자 데이터를 보호하기 위한 엔드투엔드 암호화 솔루션을 제공하여 개인 정보 보호 애플리케이션을 위한 강력한 인프라를 제공하는 데 중점을 둡니다. Fhenix 플랫폼은 보안 메시징에서 개인 금융 거래에 이르기까지 광범위한 애플리케이션을 지원하도록 설계되어 모든 컴퓨팅 프로세스에서 데이터 개인 정보를 보호합니다.

• 종단간 암호화: Fhenix는 데이터가 진입 지점부터 처리 및 저장까지 암호화된 상태로 유지되도록 보장합니다. 이는 FHE와 안전한 다자간 계산(SMPC) 기술을 결합하여 달성됩니다.

• 효율적인 키 관리: Fhenix는 고급 키 관리 시스템을 통합하여 안전한 키 배포 및 순환을 용이하게 하는데, 이는 FHE 환경에서 장기적인 보안을 유지하는 데 중요합니다.

• 확장성: 이 플랫폼은 최적화된 동형 연산과 병렬 처리를 사용하여 대규모 계산을 효율적으로 처리하여 FHE의 주요 과제 중 하나를 해결합니다.

• 코프로세서: Fhenix는 또한 FHE 계산을 가속화하도록 설계된 특수 코프로세서의 개발을 개척했습니다. 이러한 코프로세서는 FHE에 필요한 집중적인 수학적 연산을 처리하도록 특별히 설계되어 개인 정보 보호 애플리케이션의 성능과 확장성을 크게 향상시킵니다.

자마

Zama는 FHE 분야의 선두주자로, fhEVM 방식으로 가장 잘 알려져 있습니다. 이 방식은 Ethereum EVM 계산을 완전한 동형 환경에서 수행할 수 있게 하며, 라이브러리를 사용하여 구축된 모든 L1/L2 프로젝트의 실행 수준에서 개인 정보 보호를 보장합니다.

• fhEVM 솔루션: Zamas fhEVM 솔루션은 FHE를 Ethereum Virtual Machine과 통합하여 암호화된 스마트 계약 실행을 가능하게 합니다. 이를 통해 Ethereum 생태계에서 기밀 거래 및 계산이 가능합니다.

• Concrete Library: Zamas Concrete Library는 TFHE(FHE의 변형)를 위한 Rust 컴파일러입니다. 이 라이브러리는 동형 암호화 체계의 고성능 구현을 제공하여 암호화 계산을 보다 효율적으로 만듭니다.

• 상호 운용성: Zama는 기존 블록체인 인프라와 원활하게 작동하는 솔루션을 만드는 데 전념합니다. 여기에는 광범위한 암호화 기본 요소와 프로토콜을 지원하여 광범위한 호환성과 통합 용이성을 보장하는 것이 포함됩니다.

3. Crypto 및 AI 인프라 및 애플리케이션에서 FHE의 핵심 역할

오늘날 암호화와 AI의 교차점은 본격화되었습니다. 이 교차점에 대해 깊이 파고들지 않더라도 새로운 모델과 데이터 세트의 혁신은 여러 당사자 간의 오픈 소스 협업에 의해 주도될 것이라는 점에 주목할 가치가 있습니다. 계산을 넘어 궁극적으로 중요한 것은 데이터이며, 이 데이터는 이 협업 파이프라인에서 가장 중요한 부분입니다. AI 애플리케이션과 모델은 궁극적으로 기본 모델, 미세 조정된 모델 또는 AI 지능형 에이전트인지 여부에 관계없이 학습된 데이터만큼만 유용합니다. 이 데이터를 안전하고 비공개로 유지하면 오픈 소스 협업을 위한 거대한 설계 공간이 열리고 데이터 소유자는 학습 모델 또는 최종 애플리케이션에서 계속 수익을 얻을 수 있습니다. 이 데이터가 본질적으로 공개된 경우 수익화하기 어려울 것입니다(누구나 귀중한 데이터 세트에 액세스할 수 있기 때문). 따라서 이 데이터는 엄격하게 보호될 가능성이 더 큽니다.

이런 맥락에서 FHE는 핵심적인 역할을 할 수 있습니다. 이상적으로는 기본 데이터 세트를 공개하지 않고도 모델을 훈련할 수 있어 데이터 세트의 수익화를 실현하고 데이터 세트 소유자 간의 오픈 소스 협업을 크게 촉진할 수 있습니다.

출처: 베이글 네트워크

FHE가 개인 정보 보호 머신 러닝(PPML)을 강화하는 방법

• 데이터 프라이버시: FHE를 사용하면 의료 기록, 재무 정보 또는 개인 식별자와 같은 민감한 데이터를 ML 모델에 입력하기 전에 암호화할 수 있습니다. 이를 통해 컴퓨팅 환경이 손상되더라도 데이터가 기밀로 유지됩니다.

• 안전한 모델 학습: ML 모델을 학습하려면 일반적으로 방대한 양의 데이터가 필요합니다. FHE를 사용하면 이 데이터를 암호화하여 원본 데이터를 노출하지 않고도 모델을 학습할 수 있습니다. 이는 매우 민감한 정보를 처리하고 엄격한 데이터 개인 정보 보호 규정을 따르는 산업에 매우 중요합니다.

• 기밀 추론: FHE는 훈련 외에도 암호화된 추론에도 사용할 수 있습니다. 즉, 모델이 훈련되면 암호화된 입력에 대한 예측을 수행할 수 있으므로 추론 프로세스 전체에서 사용자 데이터가 비공개로 유지됩니다.

• FHE PPML 적용 분야:

• 의료: 개인 정보를 보호하는 방식으로 ML 모델을 훈련하면 민감한 환자 정보를 노출하지 않고도 보다 개인화되고 효과적인 치료를 제공할 수 있습니다.

• 금융: 금융 기관은 FHE를 사용하여 암호화된 거래 데이터를 분석하여 사기를 탐지하고 위험을 평가하는 동시에 고객 개인 정보를 보호할 수 있습니다.

• IoT 및 스마트 기기: 기기는 암호화된 형태로 데이터를 수집하고 처리할 수 있으므로 위치 데이터나 사용 패턴과 같은 민감한 정보가 기밀로 유지됩니다.

FHE의 문제:

앞서 언급했듯이 FHE 체계 간에는 통일성이 없습니다. 체계는 구성할 수 없으며, 여러 유형의 계산을 위해 여러 FHE 체계를 결합해야 하는 경우가 많습니다. 동일한 계산에 대해 여러 체계를 실험하는 프로세스도 매우 번거롭습니다. 개발 중인 CHIMERA 프레임워크는 TFHE, BFV, HEAAN과 같은 여러 FHE 체계 간을 전환할 수 있지만 현재로서는 사용할 수 없습니다. 이는 벤치마크가 부족하다는 다음 문제로 이어집니다. 벤치마크는 개발자가 이 기술을 채택하는 데 매우 중요합니다. 이를 통해 많은 개발자의 시간을 절약할 수 있습니다. 계산 오버헤드(암호화, 복호화, 부트스트래핑, 키 생성 등)를 감안할 때 기존의 범용 하드웨어는 적합하지 않습니다. 어떤 형태의 하드웨어 가속이 필요하거나 FHE의 보다 주류적인 애플리케이션을 구현하기 위해 특정 칩(FPGA 및/또는 ASIC)을 만들어야 할 수도 있습니다. 이러한 모드의 문제는 ZK(제로 지식) 산업의 문제와 비교할 수 있습니다. 똑똑한 수학자, 응용 과학자, 엔지니어가 이 분야에 관심을 갖는 한, 우리는 두 분야, 즉 개인정보 보호 분야의 FHE와 검증 가능성 분야의 ZK에 계속해서 강세를 보일 것입니다.

4. FHE 중심의 미래는 어떻게 될까요?

모든 것을 지배할 하나의 FHE 솔루션이 있을까요? 이 논의는 업계에서 여전히 진행 중입니다. 통합 솔루션을 갖는 것이 이상적이기는 하지만, 다양한 애플리케이션의 다양한 요구 사항은 항상 특정 작업에 최적화된 전문 솔루션이 필요할 수 있습니다. 솔루션 간의 상호 운용성이 최상의 솔루션일까요? 상호 운용성은 실제로 실용적인 접근 방식일 수 있으며, 다양한 솔루션의 강점을 활용하면서 다양한 컴퓨팅 요구 사항을 처리할 수 있는 유연성을 제공합니다.

FHE는 언제 제공될까요? 제공 여부는 컴퓨팅 오버헤드 감소, 벤치마킹 표준 개선, 전문 하드웨어 개발의 진전과 긴밀히 연관되어 있습니다. 이러한 분야에서 진전이 이루어짐에 따라 FHE는 더욱 접근 가능하고 실용적이 될 것입니다.

요약하자면, FHE는 데이터 프라이버시 보호 및 안전한 컴퓨팅을 위한 강력한 도구를 제공합니다. 상호 운용성, 계산 오버헤드 및 하드웨어 지원에는 여전히 과제가 있지만 블록체인, 프라이버시 보호 머신 러닝 및 더 광범위한 Web3 애플리케이션에서 FHE의 잠재력은 무시할 수 없습니다. 기술의 지속적인 개발 및 혁신으로 FHE는 프라이버시 보호 및 안전한 컴퓨팅의 미래에서 핵심적인 역할을 할 것으로 기대됩니다.

이 기사는 인터넷에서 출처했습니다: IOSG Ventures: 왜 FHE가 Web3에서 더 나은 응용 분야 전망을 가지고 있을까요?

관련: Shibarium, 초고속 거래를 약속하는 하드 포크 완료: 가격 영향

간략히 말해서 Shibarium이 하드 포크를 완료하고 빠른 거래를 약속합니다. 업데이트는 저렴하고 접근 가능한 Shibarium 네트워크를 목표로 합니다. SHIB는 $0.00002349를 돌파하면 가격이 급등할 수 있습니다. Shiba Inu(SHIB) 생태계의 레이어 2 네트워크인 Shibarium은 5월 2일에 상당한 하드 포크를 성공적으로 완료했습니다. 이 업데이트는 엄청나게 빠른 거래와 더 예측 가능한 가스 요금을 제공하여 네트워크와의 사용자 상호 작용을 개선할 것을 약속합니다. Shiba Inu는 Shibarium 하드 포크 이후 돌파구를 찾을 준비가 되었을까요? Shibarium Network는 X(이전 Twitter)에서 블록 높이 4,504,576에서 하드 포크를 완료했다고 발표했습니다. 블록체인 기술의 하드 포크는 네트워크를 두 개의 체인으로 분할하는 주요 업그레이드를 수반합니다. 4월 24일에 도입된 이 프로세스는 이전 소프트웨어와 호환되지 않는 근본적인 변경 사항을 도입합니다…