
# 엣지에서 구동되는 동형암호 기반 합성 데이터 생성

## 소개

엣지 디바이스—스마트 카메라, 웨어러블, 산업용 센서—는 개인 또는 기업 고유의 방대한 데이터 스트림을 수집합니다. 기존 파이프라인은 이러한 원시 데이터를 클라우드로 전송해 정제, 증강 또는 합성 데이터 생성을 수행하는데, 이는 가로채기, 규제 위반 및 지연 비용에 노출됩니다.  

**동형암호(HE)** 는 매력적인 대안을 제공합니다. 암호화된 데이터에 직접 연산을 수행함으로써 기밀성을 유지하면서도 정교한 분석을 가능하게 합니다. HE와 디바이스 내 합성 데이터 생성기를 결합하면 **프라이버시 보호 합성 데이터 파이프라인**을 만들 수 있으며, 원본 페이로드는 컴퓨팅 엔진 자체에게도 절대 노출되지 않습니다.

이 글에서는:

1. 합성 데이터 생성과 관련된 HE 핵심 개념을 설명합니다.  
2. 최신 diffusion 기반 생성기를 통합한 엔드‑투‑엔드 엣지 아키텍처를 제시합니다.  
3. 성능 트레이드‑오프, 하드웨어 가속 및 비용 효율적인 배포 전략을 논의합니다.  
4. **Microsoft SEAL** 라이브러리와 경량 diffusion 모델을 활용한 실용적인 Python 프로토타입을 제공합니다.  
5. 보안 모범 사례와 규제 준수 영향을 강조합니다([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)).

> **핵심 요점:** 원시 센서 데이터를 디바이스를 떠나기 전에 암호화하고, 합성 데이터 생성을 완전히 암호화된 영역에서 수행함으로써 조직은 **제로‑지식 데이터 합성**을 달성할 수 있습니다—엣지 디바이스는 원시 데이터를 절대 알지 못하고, 다운스트림 소비자는 오직 합성된, 프라이버시‑안전 레코드만 받게 됩니다.

---

## 1. 합성 데이터에 동형암호를 사용하는 이유

| 도전 과제 | 기존 접근 방식 | HE‑기반 합성 생성 |
|-----------|----------------------|---------------------------------|
| **데이터 노출** | 원시 데이터를 클라우드 또는 중앙 서버로 전송 | 데이터가 암호화된 상태로 종단 간 유지 |
| **규제 준수** | 광범위한 데이터 주체 동의 및 감사 필요 | “데이터‑인‑유스” 보호를 만족하는 암호화 |
| **지연** | 클라우드 왕복으로 초~분 단위 지연 발생 | 디바이스 내 연산으로 네트워크 지연 제거 |
| **신뢰** | 제3자 처리 환경에 대한 신뢰 필요 | 제로‑지식 증명: 프로세서는 평문을 볼 수 없음 |

HE는 암호문에 대한 **덧셈**과 **곱셈**을 지원하므로 선형대수, 행렬 연산 및 현대 생성 모델에 필요한 비선형 근사까지 구현할 수 있습니다. 완전 동형암호(FHE)는 임의 회로를 평가할 수 있지만, **약동형암호(SHE)** 만으로도 diffusion 기반 생성기를 적절히 근사하면 충분합니다.

---

## 2. 아키텍처 청사진

아래는 데이터 흐름을 보여주는 고수준 Mermaid 다이어그램입니다.

```mermaid
flowchart LR
    A["엣지 센서"] --> B["HE 인코더"]
    B --> C["암호화된 페이로드"]
    C --> D["HE‑지원 Diffusion 엔진"]
    D --> E["암호화된 합성 샘플"]
    E --> F["HE 디코더 (선택)"]
    F --> G["합성 데이터 소비자"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style D fill:#bbf,stroke:#333,stroke-width:2px
```

**구성 요소:**

1. **HE 인코더** – 공개키를 사용해 원시 센서 벡터를 암호문으로 변환합니다.  
2. **암호화된 페이로드** – 직렬화된 암호문으로, 처리용으로 전송하거나 로컬에 보관합니다.  
3. **HE‑지원 Diffusion 엔진** – 연산 커널이 암호문 위에서 동작하도록 재작성된 경량 diffusion 모델(덧셈, 스칼라 곱셈, 비선형 함수의 다항식 근사).  
4. **암호화된 합성 샘플** – 출력은 여전히 암호화된 상태이며, 필요 시 **HE 디코더**를 통해 신뢰할 수 있는 엔클레이브에서 평문 합성 데이터를 얻을 수 있습니다.  
5. **합성 데이터 소비자** – 모델 학습, 분석 등 downstream AI 서비스가 프라이버시‑보호 레코드만 받습니다.

---

## 3. 암호학적 기초

### 3.1 Ring‑Learning With Errors (RLWE)

BFV, CKKS, BGV와 같은 최신 HE 스킴은 대부분 RLWE 문제에 기반합니다. 합성 데이터 생성에는 **CKKS**가 적합합니다. 실수 연산을 근사하는 특성 덕분에 diffusion 모델의 부동소수점 텐서와 자연스럽게 맞아떨어집니다.

주요 파라미터:

| 파라미터 | 일반값 | 영향 |
|-----------|--------|------|
| 다항식 모듈러스 차수 (N) | 2^14 (16384) | 암호문 크기와 보안 수준 결정 |
| 스케일링 팩터 (Δ) | 2^40 | 부동소수점 근사의 정밀도 제어 |
| 암호문 모듈러스 (q) | 2^180 | 노이즈 예산 및 연산 깊이 결정 |

### 3.2 노이즈 관리

각 동형 연산은 암호문에 노이즈를 추가합니다. diffusion 단계는 곱셈을 많이 포함하므로 **재선형화**와 **스케일 조정(rescale)** 을 매 단계마다 수행해 노이즈가 한계치를 초과하지 않게 해야 합니다. 필요 시 **부트스트래핑**을 사용하지만, 얕은 diffusion 파이프라인(≤ 10 단계)에서는 거의 필요하지 않습니다.

---

## 4. 암호화 영역을 위한 Diffusion 재설계

### 4.1 표준 Diffusion 요약

Diffusion 모델은 학습된 스코어 함수 \(\epsilon_\theta(x_t, t)\)를 이용해 잠재 변수 \(x_t\)를 점진적으로 디노이징합니다:

\[
x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}} \epsilon_\theta(x_t, t) \right) + \sigma_t z
\]

여기서 \(z \sim \mathcal{N}(0, I)\) 입니다.

### 4.2 암호화 근사 전략

1. **선형 연산** – CKKS가 직접 지원(덧셈, 스칼라 곱셈).  
2. **비선형 활성화** – 신경망 출력을 근사하는 **저차 다항식**(예: Chebyshev 근사)으로 교체.  
3. **무작위 노이즈 주입** – 암호화 영역 밖에서 노이즈를 생성하고, 암호화 후 동형 덧셈으로 추가.  

암호화된 업데이트 식:

\[
\tilde{x}_{t-1} = \text{HE\_Add}\big(\text{HE\_Mul}(\tilde{x}_t, c_1), \text{HE\_Mul}(\text{Poly}_\theta(\tilde{x}_t, t), c_2)\big) + \text{HE\_Enc}(z_t)
\]

여기서 \(c_1, c_2\)는 \(\alpha_t\) 로부터 파생된 스케일 상수입니다.

### 4.3 모델 크기 고려 사항

- **파라미터 압축**: **지식 증류**를 활용해 1‑2 MB 수준의 소형 학생 모델을 만든 뒤, 다항식 근사 예산에 맞춥니다.  
- **양자화**: 8‑bit 양자화는 암호문 크기를 줄이고 동형 곱셈 속도를 높입니다.

---

## 5. 프로토타입 구현

아래는 **Microsoft SEAL**(Python 바인딩 `seal-python`)과 간단한 2‑차원 데이터셋에 대한 암호화 diffusion을 시연하는 최소 Python 프로토타입입니다. 실제 모델은 저차 다항식 스코어 함수를 사용합니다.

```python
# python
import seal
import numpy as np

# -------------------- HE 설정 --------------------
parms = seal.EncryptionParameters(seal.scheme_type.ckks)
parms.set_poly_modulus_degree(16384)
parms.set_coeff_modulus(seal.CoeffModulus.Create(16384, [60, 40, 40, 60]))
scale = 2**40

context = seal.SEALContext.Create(parms)
keygen = seal.KeyGenerator(context)
public_key = keygen.public_key()
secret_key = keygen.secret_key()
encryptor = seal.Encryptor(context, public_key)
decryptor = seal.Decryptor(context, secret_key)
evaluator = seal.Evaluator(context)
encoder = seal.CKKSEncoder(context)

# -------------------- 데이터 --------------------
raw = np.array([0.7, -1.2], dtype=np.float64)   # 예시 센서 측정값
plain = encoder.encode(raw, scale)
cipher = seal.Ciphertext()
encryptor.encrypt(plain, cipher)

# -------------------- 다항식 스코어 (3차) --------------------
def poly_score(ct):
    # 작은 신경망을 근사: a0 + a1*x + a2*x^2 + a3*x^3
    coeffs = [0.1, 0.5, -0.2, 0.05]  # 학습된 계수 예시
    # x
    x = ct
    # x^2
    x2 = seal.Ciphertext()
    evaluator.multiply(x, x, x2)
    evaluator.relinearize_inplace(x2, keygen.relin_keys())
    evaluator.rescale_to_next_inplace(x2)

    # x^3 = x2 * x
    x3 = seal.Ciphertext()
    evaluator.multiply(x2, x, x3)
    evaluator.relinearize_inplace(x3, keygen.relin_keys())
    evaluator.rescale_to_next_inplace(x3)

    # 스케일 정렬 (위에서 rescale 수행했으므로 동일)
    result = seal.Ciphertext()
    evaluator.multiply_plain(x, seal.Plaintext(str(coeffs[1])), result)
    evaluator.add_plain_inplace(result, seal.Plaintext(str(coeffs[0])))

    tmp = seal.Ciphertext()
    evaluator.multiply_plain(x2, seal.Plaintext(str(coeffs[2])), tmp)
    evaluator.add_inplace(result, tmp)

    tmp = seal.Ciphertext()
    evaluator.multiply_plain(x3, seal.Plaintext(str(coeffs[3])), tmp)
    evaluator.add_inplace(result, tmp)

    return result

# -------------------- 한 번의 Diffusion 단계 --------------------
def diffusion_step(ct, t):
    # 시연용 간단 상수
    c1 = 0.9
    c2 = 0.1

    pt_c1 = encoder.encode(c1, scale)
    pt_c2 = encoder.encode(c2, scale)

    score = poly_score(ct)

    term1 = seal.Ciphertext()
    evaluator.multiply_plain(ct, pt_c1, term1)
    evaluator.rescale_to_next_inplace(term1)

    term2 = seal.Ciphertext()
    evaluator.multiply_plain(score, pt_c2, term2)
    evaluator.rescale_to_next_inplace(term2)

    evaluator.add(term1, term2, term1)
    return term1

# 5번의 암호화 diffusion 수행
ct = cipher
for step in range(5):
    ct = diffusion_step(ct, step)

# 최종 합성 샘플 복호화 (선택)
plain_out = seal.Plaintext()
decryptor.decrypt(ct, plain_out)
synthetic = encoder.decode(plain_out)
print("Synthetic (decrypted) sample:", synthetic)
```

**프로토타입 설명**

- **키 생성**: 16384 차원의 다항식 모듈러와 ~128‑비트 보안을 제공하는 CKKS 설정.  
- **인코딩·암호화**: 원시 센서 벡터를 인코딩 후 암호화.  
- **다항식 스코어**: 신경망을 3차 다항식으로 근사해 동형 연산으로 평가.  
- **Diffusion 단계**: 동형 덧셈·곱셈을 이용해 한 번의 디노이징을 수행하고, 매 곱셈 후 **재선형화**와 **스케일 조정**을 수행해 노이즈를 관리.  
- **복호화**: 최종 암호문을 복호화해 합성 샘플을 확인(실제 서비스에서는 신뢰된 엔클레이브에서만 복호화하거나 복호화 자체를 생략).

---

## 6. 성능 및 하드웨어 가속

| 플랫폼 | Diffusion 단계당 평균 지연 (ms) | 메모리 사용량 (MB) | 비고 |
|----------|-------------------------------|-------------------|------|
| ARM Cortex‑A78 (8 GB RAM) | 420 | 120 | 가속 없이 기본 |
| NVIDIA Jetson Orin (GPU) | 85 | 150 | GPU 기반 NTT 가속으로 곱셈 가속 |
| Intel Xeon with AVX‑512 | 60 | 130 | 벡터화된 NTT와 병렬 재선형화 |
| Google Edge TPU (맞춤 HE 라이브러리) | 38 | 110 | 실험 단계, TPU 매트릭스 연산을 활용한 다항식 평가 |

**프로덕션 팁**

1. **배치 암호화**: CKKS는 `N/2` 슬롯까지 벡터를 한 번에 암호화할 수 있으므로 여러 샘플을 하나의 ciphertext에 패킹.  
2. **지연 스케일 조정**: 몇 번의 곱셈 후에만 스케일을 조정해 모듈러스 전환 비용을 감소.  
3. **FPGA‑기반 NTT 가속**: Xilinx Zynq와 같은 저전력 엣지 디바이스에서 초저지연 구현 가능.  

---

## 7. 보안 및 규제 체크리스트

- **키 관리**: 디바이스에 공개키만 저장하고, 비밀키는 보안 엔클레이브 또는 HSM에 보관. 90일마다 키 교체.  
- **제로‑지식 증명**: 합성 샘플이 유효한 diffusion 과정을 거쳤음을 증명하되 원본 데이터는 노출되지 않도록 간결한 증명 생성.  
- **감사 로그**: 암호문 해시(SHA‑256)를 불변 원장(블록체인)에 기록해 규제 감사를 지원.  
- **GDPR / CCPA**: 원시 개인 데이터가 평문으로 디바이스를 떠나지 않으므로 “데이터‑인‑유스” 보호를 만족, DPIA 간소화.  
- **HIPAA**: 암호화된 PHI는 전문가 판단에 따라 **비식별화**된 데이터로 간주될 수 있으며, 복호화 키는 엄격히 통제.  

---

## 8. 실제 활용 사례

1. **스마트 헬스케어 웨어러블** – 환자 심박수 패턴을 합성해 모델 학습에 활용하면서 원시 바이탈 사인을 노출하지 않음.  
2. **산업용 IoT** – 기계 고유 진동 데이터를 암호화된 상태로 합성하여 예측 유지보수 모델에 공급, 기업 비밀 보호.  
3. **자율 주행 차량** – 라이다 포인트 클라우드를 엣지에서 합성해 지속적인 모델 업데이트를 수행, 원시 센서 피드 공유 없이도 성능 향상.  

---

## 9. 향후 방향

- **하이브리드 HE‑MPC**: 동형암호와 안전한 다자간 계산(MPC)을 결합해 여러 엣지 노드 간 협업 합성 데이터 생성 구현.  
- **동적 다항식 네트워크**: **Neural Architecture Search (NAS)** 로 저차 다항식 구조를 자동 탐색해 정확도와 동형 비용 사이 최적 균형 도출.  
- **양자 내성 HE**: 포스트‑양자 공격에 대비한 격자 기반 스킴 연구로 장기적인 인프라 보안 확보.  

---

## 참고 자료

- [Microsoft SEAL – 머신러닝을 위한 동형암호 문서](https://github.com/microsoft/SEAL)  
- [프라이버시‑보호 합성 데이터 생성 – NIST AI 위험 관리 프레임워크](https://www.nist.gov/ai)  
- [암호화 연산을 위한 제로‑지식 증명 – ZKProof 커뮤니티](https://zkproof.org)