ㅁ 연합학습 및 프라이버시

ㅇ 정의:
– Secure Multi-Party Computation(SMPC)은 여러 참여자가 자신의 입력 데이터를 노출하지 않고도 공동으로 연산을 수행하여 결과를 얻는 암호학적 기법이다.

ㅇ 특징:
– 데이터는 각 참여자 로컬에서 암호화된 상태로 유지되며, 연산 과정에서도 원본 데이터가 공개되지 않는다.
– 비신뢰 환경에서도 안전한 연산이 가능하며, 중간 결과를 통한 정보 유출을 방지한다.
– 주로 비밀분산(Secret Sharing), 동형암호(Homomorphic Encryption) 등의 기술을 활용한다.

ㅇ 적합한 경우:
– 서로 다른 기관 간에 민감한 데이터(예: 의료 기록, 금융 거래)를 공유하지 않고 공동 분석이 필요한 경우
– 규제나 법적 제약으로 인해 데이터 이동이 불가능한 환경

ㅇ 시험 함정:
– SMPC는 데이터 암호화만을 의미하는 것이 아니라, 암호화 상태에서 연산을 수행하는 프로토콜임을 간과하기 쉬움
– 연합학습과 혼동할 수 있으나, 연합학습은 모델 파라미터를 공유하는 방식이고 SMPC는 연산 자체를 안전하게 수행하는 방식임

ㅇ 시험 대비 “패턴 보기” 예시:
O: “여러 당사자가 원본 데이터를 공개하지 않고 연산 결과를 얻을 수 있는 기술”
X: “데이터를 중앙 서버로 모아 암호화하는 기술”

ㅁ 추가 학습 내용

SMPC(보안 다자간 계산)의 주요 프로토콜에는 Yao의 Garbled Circuit, SPDZ(스피즈) 프로토콜, BGW 프로토콜이 있으며, 각 프로토콜은 통신 복잡도와 보안 모델이 서로 다르다. 성능 향상을 위해 사전연산(precomputation) 기법이 자주 사용된다. SMPC는 차등 프라이버시(Differential Privacy)나 안전한 집계(Secure Aggregation)와 결합되어 연합학습 환경에서 활용될 수 있다. 시험에서는 SMPC와 동형암호, 비밀분산의 차이점, 그리고 상황별 기술 선택 기준이 자주 출제되므로 비교표 형태로 정리하는 것이 효과적이다.