FHE(완전 동형 암호화)는 암호화된 데이터에서 직접 계산을 수행하여 원본 데이터에서 동일한 계산을 통해 얻은 결과와 일치하는 결과를 생성할 수 있습니다. 즉, 원본 데이터를 노출하지 않고도 데이터를 처리하고 분석할 수 있어 데이터 개인정보 보호와 무결성을 보호하는 새로운 솔루션을 제공합니다.
디지털 시대에는 데이터 프라이버시 보호가 그 어느 때보다 중요해졌습니다. 빅데이터, 클라우드 컴퓨팅, IoT 기술의 급속한 발전으로 개인 정보의 수집, 저장, 분석이 점점 더 보편화되고 있습니다. 그러나 이는 데이터 유출 및 오용의 위험도 수반합니다.
FHE의 이론적 토대는 리베스트 등이 최초의 동형 암호화 문제를 제안한 1978년으로 거슬러 올라갑니다. 2009년이 되어서야 젠트리가 박사 학위 논문에서 최초로 실현 가능한 FHE 체계를 구축하면서 FHE 연구의 진정한 시작을 알렸습니다.
초기의 FHE 방식은 계산 효율성이 매우 낮아 실제 애플리케이션에 적용하기에는 비현실적이었습니다. 하지만 연구자들의 지속적인 최적화를 통해 FHE 성능은 효율성 향상, 계산 복잡성 감소, 애플리케이션 시나리오 확장에 초점을 맞춰 크게 개선되었습니다.
FHE의 기술적 구현 경로
이상적인 격자 기반 FHE 체계
이것은 현재 가장 실용적이고 효율적인 FHE 구축 방법입니다. 링 연산의 대수적 구조를 사용하여 모듈식 연산을 통해 암호화와 복호화를 수행하고 링의 이상적인 요소를 분해합니다. 대표적인 방식으로는 BGV, BFV, CKKS 등이 있습니다. 이러한 방식은 계산 효율성이 높다는 장점이 있지만 키와 암호문 공간이 더 많이 필요합니다.
매트릭스 기반 FHE 체계
이 방식은 일반 텍스트 정보를 행렬로 인코딩하고 행렬 연산을 통해 동형성을 달성합니다. 대표적인 방식으로는 GSW와 HiNC가 있습니다. 이러한 방식은 보안성이 높지만 효율성이 떨어집니다.
NTRU 기반 FHE 계획
NTRU(수 이론 연구 단위)는 우수한 대수 구조와 순환 대칭성을 갖추고 있어 YASHE 및 NTRU-FHE와 같은 효율적인 FHE 스키마를 구축할 수 있습니다. 이러한 체계는 키와 암호 텍스트 크기가 작아 리소스가 제한된 환경에 적합하다는 장점이 있습니다.
LWE/LWR 기반 FHE 제도
FHEW 및 TFHE와 같이 LWE/LWR 문제에 기반한 암호화 체계를 사용하는 이러한 체계는 이론적 혁신에 더 중점을 두며 매우 강력한 보안을 달성할 수 있지만 실용성은 제한적입니다.
FHE vs.
FHE와 ZKP는 모두 암호화 기술이지만 거의 상호 보완적인 기술입니다.
ZKP를 사용하면 증명자가 특정 세부 정보를 공개하지 않고도 검증자에게 정보가 정확하다는 것을 증명할 수 있습니다. 검증자는 계산을 다시 실행하지 않고도 정보의 정확성과 완전성을 확인할 수 있습니다. ZKP는 정보 유출 없이 정확성을 증명할 수 있지만, 일반적으로 입력 내용이 일반 텍스트 형식으로 되어 있어 개인정보 유출로 이어질 수 있습니다.
FHE는 이 문제를 해결할 수 있습니다. 암호화된 데이터에 대해 복호화 없이 임의의 계산을 수행할 수 있으므로 데이터 프라이버시를 보호할 수 있습니다. 그러나 FHE는 계산의 정확성과 신뢰성을 보장할 수 없으며, 이것이 바로 ZKP가 해결하고자 하는 문제입니다.
FHE와 ZKP를 결합하여 FHE는 입력 데이터와 계산 프로세스의 개인 정보를 보호하고, ZKP는 FHE 계산의 정확성, 적법성, 감사 가능성에 대한 암호화된 증명을 제공합니다. 이를 통해 진정으로 안전하고 신뢰할 수 있는 프라이버시 컴퓨팅을 구현할 수 있으며, 이는 민감한 데이터 처리 및 다자간 협업 컴퓨팅에 매우 유용합니다.
ZAMA: FHE의 선구자
Zama는 블록체인과 AI를 위한 고급 FHE 솔루션을 구축하는 오픈소스 암호화 회사입니다. 네 가지 주요 오픈소스 솔루션을 제공합니다:
- TFHE-rs: 암호화된 데이터에 대해 부울 및 정수 연산을 수행하는 데 사용되는 토러스에서 완전 동형 암호화를 구현한 Rust 구현. TFHE-rs 라이브러리는 프로그래밍 가능한 부트스트랩을 통해 더하기 및 함수 평가와 같은 필요한 모든 동형 연산을 포함하는 TFHE의 Zama 변형을 구현합니다.
- 콘크리트: 프레임워크의 일부로 TFHE 컴파일러를 포함하는 오픈 소스 FHE 프레임워크로, 일반 프로그래밍 코드를 FHE에서 실행 가능한 운영 명령으로 변환하여 개발자가 FHE 프로그램을 쉽게 작성할 수 있도록 합니다. Concrete의 기본 오류 확률은 매우 낮으며, 개발자는 이 매개변수를 유연하게 수정할 수 있습니다.
- 콘크리트 ML: Concrete에 구축된 오픈 소스 개인 정보 보호 머신 러닝(PPML) 도구로, 개발자가 암호화 지식 없이도 FHE를 머신 러닝 모델에 통합할 수 있습니다.
- fhEVM: 개발자가 온체인에서 암호화된 스마트 컨트랙트를 실행하여 온체인 데이터 프라이버시를 보호하면서 컴포저빌리티를 유지할 수 있도록 FHE를 EVM 에코시스템에 통합합니다. 개발자가 솔리디티를 사용해 암호화된 데이터에서 연산할 수 있도록 TFHE-rs를 통합하고 새로운 TFHE 솔리디티 라이브러리를 도입합니다.
Fhenix: 최초의 FHE 롤업
Fhenix는 최초의 레이어 2 롤업으로, Zama의 TFHE-rs에 암호화된 연산 라이브러리인 fheOS를 구축하여 FHE를 기반으로 합니다. 여기에는 사전 컴파일된 공통 암호화 옵코드가 포함되어 있어 스마트 컨트랙트가 온체인에서 FHE 프리미티브를 사용할 수 있습니다. 또한 fheOS는 복호화 및 재암호화 요청을 위해 롤업과 임계값 서비스 네트워크(TSN) 간의 통신 및 인증을 처리하여 복호화 요청의 적법성을 보장합니다. fheOS는 기존 EVM 버전에 주입되는 확장으로 설계되어 EVM과 완벽하게 호환되도록 합니다.
페닉스의 합의 메커니즘은 아비트럼의 니트로 증명자를 사용합니다. 부정 증명은 FHE와 zkSNARK의 기본 구조가 다르기 때문에 현재 기술 단계에서는 ZKP로 FHE 계산을 검증하는 것이 거의 불가능하기 때문에 선택되었습니다.
페닉스는 최근 아이겐레이어와 파트너십을 맺고 FHE 코프로세서를 개발하여 다른 퍼블릭 체인, L2, L3 등에도 FHE 계산을 도입했습니다. 7일의 이의 제기 기간으로 사기 방지 기능을 제공하는 Fhenix의 서비스를 통해 코프로세서는 빠른 거래 확인을 달성하여 성능을 크게 향상시킬 수 있습니다.
Inco 네트워크: 서비스로서의 기밀성
Inco는 모듈식 신뢰 컴퓨팅 레이어 1로, 웹3.0의 범용 개인정보 보호 레이어 역할을 합니다. fhEVM을 지원하여 개발자가 솔리디티와 이더리움 생태계 개발 도구를 사용하여 프라이빗 디앱을 빠르게 구축할 수 있도록 합니다. Inco는 브리징 및 IBC 프로토콜을 통해 네이티브 암호화가 없는 EVM과 코스모스 체인에 CaaS(서비스형 기밀성)를 제공합니다. CaaS 서비스에는 다음이 포함됩니다:
- 온체인 암호화 상태: 오프체인 저장소 없이 온체인에 직접 암호화된 데이터를 저장합니다.
- 컴포저블 암호화 상태: 복호화 없이 온체인에서 암호화된 데이터의 상태 전환을 완전히 실행합니다.
- 온체인 무작위성: 외부 무작위성 서비스 없이 애플리케이션을 위한 난수를 온체인에서 생성하여 직접 온체인 애플리케이션을 개발할 수 있습니다.
인코는 이미 게임, 대체 불가능한 토큰, RWA, 투표 거버넌스, DID 등 여러 사용 사례를 보유하고 있습니다.
마인드 네트워크: FHE 리스테이크 레이어
Mind는 AI와 POS 네트워크를 위해 맞춤화된 최초의 FHE 리스테이킹 레이어입니다. 리스테이크 레이어로서 이더리움, 비트코인, 우량 AI 기업의 리스테이크 토큰을 스테이킹에 사용할 수 있습니다. FHE 검증 네트워크로서 FHE 기술을 사용하여 노드 데이터를 검증하고 합의에 도달하여 데이터 무결성과 보안을 보장합니다. 마인드는 탈중앙화 AI, 디핀, 아이겐레이어 AVS, 바빌론 AVS 및 주요 POS 네트워크에 경제적 보안을 제공하여 시스템 합의와 신뢰성을 유지합니다.
- 레이어 다시 만들기: 이더리움 및 비트코인 네트워크의 보안을 위해 아이겐레이어, 스테이크스톤, 렌조, 바빌론, Ankr과 협력하고, 크로스체인 원격 리스테이크를 위해 체인링크 CCIP 및 커넥스트와 협력합니다.
- 보안 계층: 검증 및 합의 계산 프로세스의 엔드투엔드 암호화를 보장하기 위해 FHE 강화 검증기를 도입하고, 보안 강화를 위해 Fhenix와 Inco의 fhEVM 모듈을 통합합니다.
- 합의 계층: AI 작업을 위해 설계된 지능 증명(POI) 합의 메커니즘을 도입하여 FHE 검증자 간에 공정하고 안전한 보상 분배를 보장합니다. 마인드 네트워크는 알트레이어, 아이겐다, 아비트럼 오빗과 협력하여 롤업 체인을 출시하여 더 낮은 비용과 더 빠른 성능으로 합의 계산을 개선하고 있습니다.
Privasea: 인간 증명
Privasea는 FHE 머신러닝을 위한 Depin+AI 네트워크로, 다음과 같은 핵심 구성 요소를 갖추고 있습니다:
- HESea 라이브러리: 암호화된 데이터에 대한 안전한 계산을 가능하게 하는 고급 FHE 라이브러리로, TFHE, CKKS, BGV/BFV와 같은 다양한 FHE 체계를 지원합니다.
- Privasea API: 데이터 제출, 모델 학습, 예측을 간소화하고 전송 및 처리 중 암호화를 보장하는 기능과 엔드포인트를 제공하는 Privasea AI 네트워크용 애플리케이션 프로그래밍 인터페이스입니다.
- Privanetix: 암호화된 데이터를 효율적으로 처리하는 고성능 노드로 구성된 분산형 컴퓨팅 네트워크로, 각 노드는 데이터 프라이버시 및 계산 성능을 위해 HESea 라이브러리를 통합합니다.
- 프리바세아 스마트 컨트랙트 스위트: 블록체인 기반 인센티브 메커니즘으로 프라이버네틱스 노드 등록 및 기여도를 추적하고, 계산을 검증하며, 보상을 분배하여 참여자의 동기 부여와 공정성을 보장합니다.
Privasea는 로봇과 인공지능의 사칭으로부터 디지털 신원을 보호하고 사용자의 인간성을 검증하기 위해 FHE 기반의 인간 증명 애플리케이션을 개발하여 ImHuman 애플리케이션을 출시했습니다. 사용자는 얼굴 생체인식을 통해 자신의 인간성을 확인하고, 인간 신원 증명으로 고유한 NFT를 생성할 수 있습니다. ImHuman을 통해 사용자는 개인 정보를 공개하지 않고도 웹3.0 및 웹2.0 플랫폼에서 안전하게 신원을 확인할 수 있습니다.
결론
디파이에서 FHE는 민감한 금융 정보를 공개하지 않고도 거래와 자금 흐름을 가능하게 하여 사용자의 개인정보를 보호하고 시장 위험을 줄입니다. 또한 MEV 문제에 대한 해결책을 제시할 수도 있습니다. 블록체인 게임에서 FHE는 플레이어의 점수와 진행 상황을 암호화된 상태로 보호하는 동시에 게임 로직이 데이터를 노출하지 않고 온체인에서 실행되도록 하여 공정성과 보안을 강화합니다.
AI 분야에서 FHE는 암호화된 데이터에 대한 분석 및 모델 학습을 지원하여 데이터 프라이버시를 보호하고 기관 간 데이터 공유 및 협력을 촉진하여 보다 안전하고 규정을 준수하는 AI 애플리케이션을 개발할 수 있도록 합니다.
FHE는 실용성과 효율성 측면에서 어려움에 직면해 있지만, 독특한 이론적 토대는 이러한 장애물을 극복할 수 있는 희망을 제시합니다. 앞으로 FHE는 다음과 같은 분야에서 크게 발전할 것으로 예상됩니다.
알고리즘 최적화 및 하드웨어 가속을 통해 성능을 향상하고 애플리케이션 시나리오를 확장하여 데이터 개인 정보 보호 및 보안 컴퓨팅을 위한 더욱 강력한 기반을 제공합니다.
