SecureDrive-FL: 연합 운전자 모니터링을 위한 차분 프라이버시 및 그래디언트 인식 선택적 동형암호의 결합
SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring
연합학습(Federated Learning, FL)은 프라이버시를 고려한 분산 학습(training)을 가능하게 하지만, 그래디언트(gradient) 업데이트는 여전히 악용될 소지가 있습니다. 즉, 중간자(MitM) 도청은 전송 중인 업데이트를 노출시키며 모델(model) 중독 공격은 글로벌 수렴(convergence)을 훼손합니다. 본 논문에서는 정적 층(layer) 기반이나 전체 매개변수(parameter) CKKS 방식처럼 모든 매개변수를 일률적으로 암호화하는 대신, 차분 프라이버시(DP)로 보정된 민감도 임계값을 초과하는 그래디언트 성분만을 동적으로 식별하여 암호화하는 새로운 선택적 암호화 전략인 GASHE(Gradient-Aware Selective Homomorphic Encryption)를 처음으로 제안합니다. GASHE를 기반으로, 본 연구는 DP-SGD와 GASHE를 결합하여 최초의 폐루프 DP+HE 프라이버시 파이프라인을 구축하는 연합 운전자 모니터링 프레임워크인 SecureDrive-FL을 소개합니다. 여기서는 DP-SGD 보정 매개변수가 GASHE 암호화 마스크를 직접 도출함으로써 학습 시간의 프라이버시와 통신 시간의 기밀성을 통합합니다. 비-IID(non-IID) 연합 분할 환경의 10개 클래스 주의 분산 운전자 분류(classification) 태스크에서 평가한 결과, SecureDrive-FL은 DP-SGD 단독 적용 시와 동등한 중독 저항성(정확도 73.6% 대 74.0%, 두 경우 모두 공격 성공률 3.9%)을 유지하는 동시에, DP-SGD 단독 사용 시 거의 무작위 수준의 정확도로 무너지는(78.2% 대 10.4%) MitM 도청까지 견뎌냅니다. 이는 라운드당 프라이버시 매개변수 epsilon_0=4를 갖는 DP-SGD 노이즈 주입 조건에서, DP-SGD 단독 대비 약 8~10%의 추가 런타임 오버헤드만으로 달성됩니다.