이 연구 주제는 민감한 데이터를 복호화하지 않은 상태에서 직접 연산할 수 있도록 하는 동형암호 기술을 중심으로, 공공·산업·의료·비즈니스 데이터 분석을 안전하게 수행하는 방법을 다룬다. 연구실은 특히 실수 연산에 적합한 근사 동형암호인 CKKS 계열 기술에 주목하며, 데이터가 외부 클라우드나 서로 다른 보안 도메인에 분산되어 있더라도 프라이버시를 침해하지 않으면서 통계값과 분석 결과를 도출할 수 있는 체계를 연구한다. 이는 데이터 활용성과 개인정보 보호를 동시에 만족시켜야 하는 현대 데이터 환경에서 매우 중요한 방향이다. 구체적으로는 대규모 수치형, 순서형, 범주형 데이터에 대한 통계 분석 모듈, contingency table 생성, 백분위수 및 가설검정, 고급 통계 분석 기능 등을 암호문 상태에서 효율적으로 구현하는 데 초점을 둔다. 이를 위해 역연산, 테이블 조회, 데이터 인코딩, SIMD 기반 병렬 처리 등 동형암호의 계산 비용을 줄이기 위한 핵심 알고리즘을 함께 개발한다. 연구실의 HEaaN-STAT 관련 성과는 실제 대용량 데이터 환경에서 기존 방식보다 훨씬 빠른 프라이버시 보존 통계 분석을 가능하게 했으며, 공공 빅데이터 체계와 산업 현장 적용 가능성을 보여준다. 이 연구의 의의는 단순히 암호 이론을 발전시키는 데 그치지 않고, 안전한 데이터 융합과 실질적 의사결정을 지원하는 분석 인프라를 구축한다는 점에 있다. 향후에는 프라이버시 보존 데이터 분석이 금융, 스마트 제조, 헬스케어, 행정 서비스 등으로 확대될 수 있으며, 데이터 공유가 어려운 기관 간 협업에서도 핵심 기술로 활용될 수 있다. 연구실은 이 과정에서 정확도, 연산 시간, 메모리 효율, 배포 가능성까지 고려한 실용 지향형 암호 분석 프레임워크를 발전시키고 있다.

이 연구 주제는 안전한 디지털 통신과 데이터 보호를 위한 암호 프로토콜의 설계 및 분석에 초점을 둔다. 연구실의 핵심 관심 분야에는 암호프로토콜, 전자서명, 그리고 증명가능 보안 기반의 암호 시스템 검증이 포함된다. 이러한 연구는 단순히 기능하는 보안 기법을 제안하는 수준을 넘어, 공격자가 어떤 능력을 갖는지 명확히 정의하고 그 환경에서도 안전성이 수학적으로 성립함을 보이는 데 목적이 있다. 이는 정보보호 기술의 신뢰성을 확보하는 데 필수적인 접근이다. 대표적으로 순서 보존 또는 순서 기반 암호화, 안전한 버킷화, 범위 질의 지원 암호화 기법과 같은 연구는 암호화된 데이터에 대해 효율적 검색과 질의를 가능하게 하면서도 정보 누설을 최소화하려는 문제를 다룬다. 연구실은 Ordered Bucketization과 같은 개념에 대해 새로운 보안 모델을 정의하고, 기존 방법의 한계를 분석한 뒤 보다 안전한 구성을 제안하였다. 이러한 연구는 데이터베이스 보안, 검색 가능한 암호, 클라우드 저장 데이터 보호 등 실제 정보 시스템의 요구와 직결된다. 향후 이 분야의 발전은 디지털 인증, 전자문서 무결성, 안전한 질의 처리, 분산 환경 신뢰 보장 등 다양한 영역으로 확장될 수 있다. 특히 전자서명과 프로토콜 안전성 검증은 블록체인, 전자정부, 디지털 자산, 산업용 네트워크 보안에서도 중요한 기반 기술이 된다. 연구실은 이론적 엄밀성과 실제 활용 가능성을 함께 고려하여, 보안성을 수학적으로 설명할 수 있으면서도 현실 시스템에 적용 가능한 암호 기술의 개발을 지향하고 있다.

이 연구 주제는 암호화된 상태의 데이터를 대상으로도 실용적인 계산 성능을 확보하기 위한 알고리즘 최적화와, 이를 기계학습 및 시계열 분석 등 고급 데이터 처리에 적용하는 방향을 포함한다. 동형암호는 강력한 개인정보 보호 수단이지만 계산량이 매우 크기 때문에, 실제 서비스 수준으로 끌어올리기 위해서는 연산 깊이 감소, 병렬화, 데이터 패킹, 근사 함수 설계와 같은 성능 개선 기술이 필수적이다. 연구실은 이러한 병목을 해결하기 위해 암호문 정렬, 최대값 계산, 행렬-벡터 곱셈 가속, 활성화 함수 근사 등 다양한 핵심 연산을 연구해 왔다. 특히 동형암호 기반 정렬 네트워크 연구는 암호화된 대규모 데이터 집합을 더 빠르게 처리하기 위한 대표적 성과로 볼 수 있다. k-way sorting network를 활용하여 비교 연산 깊이를 줄이고, SIMD 연산과 근사 비교 기법을 결합함으로써 실제 성능 향상을 달성하였다. 또한 암호화 데이터에 대한 PCA, 정상성 검정, Naive Bayes, 딥 시퀀셜 모델, 기계번역 등 다양한 분석·학습 문제에 동형암호를 적용함으로써, 단순 통계를 넘어 보다 복잡한 인공지능 계산도 안전하게 수행할 수 있는 가능성을 넓히고 있다. 이러한 연구는 클라우드 AI, 민감 데이터 기반 분석 서비스, 기관 간 협업 학습, 보안형 데이터 마켓 등 미래 디지털 인프라의 기반이 될 수 있다. 연구실은 정확도 손실을 최소화하면서 연산 효율을 높이는 방향으로 암호화 기계학습의 실용화를 추진하고 있으며, 장기적으로는 개인정보 규제를 준수하면서도 고성능 분석을 제공하는 보안 AI 플랫폼 구축에 기여할 수 있다. 이는 정보보호와 데이터 활용의 균형이라는 중요한 사회적 요구에 직접 대응하는 연구라고 할 수 있다.