보안 외주 행렬 계산 및 신경망에의 응용

동형 암호화(Homomorphic Encryption, HE)는 신뢰할 수 없는 계산 환경에서 민감한 데이터에 대한 외주 계산의 프라이버시 및 보안 문제를 해결하기 위한 강력한 암호학적 원시입니다. 보안 다자간 계산(Secure Multi-Party Computation, MPC)과 비교할 때, HE는 비대화형 작업을 지원하고 통신 비용을 절감하는 장점이 있습니다. 그러나 효율적인 행렬 계산 메커니즘의 부족으로 인해 현대 학습 프레임워크에 대한 최적의 솔루션을 제시하지 못했습니다. 본 연구에서는 행렬을 동형 암호화하고 암호화된 행렬에서 산술 작업을 수행하는 실용적인 솔루션을 제시합니다. 우리 솔루션은 새로운 행렬 인코딩 방법과 기본 행렬 작업인 덧셈, 곱셈 및 전치에 대한 효율적인 평가 전략을 포함합니다. 또한 단일 암호문에서 두 개 이상의 행렬을 암호화하는 방법을 설명하여 더 나은 분산 성능을 낼 수 있습니다. 우리 솔루션은 대부분의 기존 HE 스킴에 적용할 수 있는 일반적인 방법입니다. 또한 실제 사용을 위한 합리적인 성능을 달성합니다. 예를 들어, 우리의 구현은 64차의 두 개의 암호화된 정방 행렬을 곱하는 데 9.21초가 걸리고, 64차의 정방 행렬을 전치하는 데 2.56초가 걸립니다. 우리의 보안 행렬 계산 메커니즘은 암호화된 데이터와 암호화된 모델을 의미하는 새로운 프레임워크 EDM에 광범위하게 적용될 수 있습니다. 우리가 아는 한, 이것은 암호화된 데이터와 암호화된 모델 모두를 기반으로 예측 단계의 안전한 평가를 지원하는 최초의 연구입니다. 이전 연구는 암호화된 데이터에 일반 모델을 적용하는 것만 지원했습니다. 벤치마크로서, 우리는 합성곱 신경망(CNN)을 사용하여 손으로 쓴 이미지 분류에 대한 실험 결과를 보고합니다. MNIST 데이터셋에서 우리의 구현은 64개의 입력 이미지에 대한 10개의 가능성을 동시에 계산하는 데 28.59초가 걸리며, 각 이미지당 0.45초의 분산 속도를 나타냅니다.