동형암호 기반 프라이버시 보존 신경망 추론 가속 연구

Accelerated Private Inference for Homomorphic Encryption-Based Neural Networks

연구 내용

동형암호(FHE)로 신경망 추론을 수행할 때 발생하는 암호문 연산·메모리 오버헤드를 줄이기 위한 데이터 패킹, 컨볼루션/부트스트래핑 최적화 연구

동형암호(FHE) 기반 신경망 추론에서 지연과 메모리 부담을 유발하는 핵심 병목을 암호문 연산 관점에서 분석합니다. 이를 위해 컨볼루션 알고리즘과 암호문 데이터 배치 방식을 함께 설계하여 불필요한 암호문 회전과 부트스트래핑 횟수를 줄입니다. 또한 GPU에 맞춘 최신 programmable bootstrapping 구현과 실행 흐름 최적화를 통해 병렬성을 활용합니다. 전체 시스템 관점에서는 프라이버시 보존 추론을 실서비스 수준의 지연/처리량 요구에 맞추기 위한 하드웨어·알고리즘 공동 최적화 전략을 수행합니다.

관련 프로젝트

5건

연구 흐름

초기에는 동형암호 기반 CNN 추론에서 발생하는 암호문 회전, 부트스트래핑, 메모리 풋프린트의 원인을 단계별로 분해하고 데이터 패킹과 컨볼루션 수행 방식을 정리했습니다. 이후에는 더 일반적인 primitive인 programmable bootstrapping을 최신 GPU 마이크로아키텍처에 맞춰 구현하고, 반복 실행에서 효율이 떨어지는 구간을 재구성하는 방향으로 확장했습니다. 최근에는 동형암호 가속의 설계 원리를 체계화하여, 프라이버시 보존 추론을 대규모 서비스 요구에 맞게 통합하는 연구를 수행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

프라이버시 보존 CNN/Transformer 추론 서비스
동형암호 기반 K-클라우드 추론 플랫폼
제로트러스트 환경의 기밀 데이터 분석
암호화된 데이터로 동작하는 엣지 추론
의료·금융 데이터의 안전한 모델 서빙
암호문 패킹 기반 저지연 인퍼런스
programmable bootstrapping 가속기 설계
보안 요구사항 대응용 프라이버시 API
동형암호 연산 최적화 라이브러리
보안 성능 평가용 인퍼런스 벤치마크