원문 초록
Fully Homomorphic Encryption (FHE) enables computations to be performed directly on encrypted data while preserving data confidentiality. However, its practical applications remain limited by high computational costs and development complexity. This paper presents ComputeFHE, an open-source C++ library that facilitates the development of privacy-preserving applications based on the TFHE cryptosystem. The library provides encrypted integer and fixed-point data types together with arithmetic, logical, comparison, conditional, and oblivious array-access operations which allow developers to implement algorithms using a familiar imperative programming paradigm. ComputeFHE supports both conventional TFHE arithmetic based on standard two-input logic gates and an optimized Arithmetic Logic Unit (ALU) architecture utilizing FHE-friendly logic primitives. Experimental results demonstrate significant reductions in the number of required bootstrapping operations, achieving performance improvements of up to 3.9x for selected operations. In addition, the library includes a simulation mode that enables testing, debugging, and complexity analysis without performing actual cryptographic computations while providing circuit complexity and bootstrapping costs. Built on top of OpenFHE, ComputeFHE offers a practical and accessible framework for developing and evaluating privacy-preserving algorithms and applications.
요약
TFHE 암호체계 기반의 오픈소스 C++ 라이브러리 ComputeFHE를 제안하여, 암호화된 정수·고정소수점 타입과 산술·논리·비교·조건·비밀 배열 접근 연산을 익숙한 명령형 프로그래밍으로 구현할 수 있게 한다. 최적화 ALU와 시뮬레이션 모드를 제공하고, 실험에서 부트스트래핑 횟수를 줄여 선택 연산에서 최대 3.9배 성능을 개선한다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.24379v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CipherGenome: 유전체 전문가 혼합 모델을 위한 동형 추론
CipherGenome: Homomorphic Inference for Genomic Mixture-of-Experts
유전체 파운데이션 모델은 서열을 보유한 기기에 전문가 가중치가 더 이상 들어가지 않을 정도로 희소 전문가 혼합(MoE) 네트워크로 성장하고 있으나, 대여한 가속기에 비공개 유전체를 전송하는 것은 이를 노출시킵니다. 본 논문에서는 하나의 전문가를 호스팅하는 단일 서버만으로도 입력 뉴클레오타이드를 99.8%의 top-1 정확도로 복원할 수 있음을 보여줍니다. 저자들은 신뢰할 수 있는 씬 클라이언트에 15.1B 매개변수 MoE 유전체 모델의 임베딩, 어텐션, 라우터를 유지하고, 매개변수의 95.8%에 달하는 모든 전문가 프로젝션을 Module-LWE 암호화 하에서 신뢰할 수 없고 공모 가능성이 있는 GPU 서버로 외주화하는 프로토콜인 CipherGenome을 제안합니다. 이 설계는 세 가지 구조적 사실을 활용합니다. 즉, 전문가 층은 두 개의 SwiGLU 게이트 사이에서 선형적이고, 전문가 가중치는 공개되어 있으며, GPU 정수 텐서 코어는 단일 GEMM에서 모듈로 $2^{48}$에 대해 암호문-가중치 곱을 정확하게 평가할 수 있다는 점입니다. 클라이언트가 비선형성을 정확하게 평가하고 새로운 비밀값으로 재암호화하므로, 다항식 근사나 부트스트래핑이 전혀 필요하지 않습니다. 12개 박테리아 유전체의 72개 윈도우에서 암호화는 토큰당 $2.54 \times 10^{-4}$ nats의 KL 발산(95% CI 상한 $3.95 \times 10^{-4}$)만을 추가하여 사전 등록된 비열등성 마진 미만이자 bf16 추론과 구별할 수 없는 수준을 보였으며, 동일한 역전 공격은 무작위 추측 수준으로 떨어집니다. 재사용 가능한 공개 힌트는 종단 간 지연 시간을 3.54배 단축하고, 유선 압축은 트래픽을 6.8배 줄이며, 층별 패딩은 라우팅 유출 정확도를 54.9%에서 8.9%로 낮추고, HE 호환 int4 전문가는 평문 전문가와 동등한 비열등성을 유지합니다. 전문가 및 토큰당 서버 측 비용은 CKKS 기준선보다 6 자릿수 이상 낮습니다.
층 병렬 추론으로 트랜스포머의 암호화된 비선형 깊이 감소
Layer-Parallel Inference Reduces Encrypted Nonlinear Depth in Transformers
완전 동형 암호화(FHE, Fully Homomorphic Encryption)는 암호화된 데이터에 대한 연산을 가능하게 하지만, 실용적인 암호화 트랜스포머 추론은 수많은 비선형 블록의 순차적 합성으로 인해 병목 현상이 발생한다. 본 연구는 구조적 뉴턴 층 병렬주의(SNLP, Structured Newton Layer Parallelism)가 이러한 층 간 합성을 FHE에 더 친화적으로 만들 수 있는지 조사한다: 각 트랜스포머 블록은 소프트맥스 및 RMSNorm과 같은 연산에 대해 여전히 다항식 근사를 필요로 하지만, SNLP는 층별 순차적 비선형 깊이를 L 단계에서 소수의 솔버 반복과 선형 구조적 보정으로 줄인다. 체비쇼프 다항식 근사 기반의 시뮬레이션 프레임워크를 사용하여, 8개의 모델과 4개의 아키텍처 패밀리에 걸쳐 순차 추론 대비 SNLP 추론에서의 오류 누적을 측정한다. 0.5B IDN 학습 모델에서 SNLP는 퍼플렉서티(perplexity) 저하 +1.2%만으로 기호적 부트스트랩 횟수를 53회에서 20회로 줄이고(2.65배), 오류 증폭도 낮춘다(1.36배 대 1.42배). 테스트된 모든 모델에서 SNLP는 순차 추론보다 낮은 증폭을 보인다. 절제 연구(ablation)에 따르면 소프트맥스 근사가 오류 예산을 지배하며 CKKS 산술 잡음은 본 설정에서 무시 가능한 수준임이 드러나, 이는 SNLP가 블록 수준의 FHE 친화적 연산자 설계를 대체하는 것이 아닌 보완적 방법임을 시사한다.
프라이버시 제약 하에서 프로덕션화된 공정성 측정
Productionized Fairness Measurement Under Privacy Constraints
세분화 평가(disaggregated evaluation) 형태의 공정성 측정은 종종 법적으로 제약되거나 문화적으로 민감한 인구통계학적 신호(demographic signal)에 의존한다. 인종 및 민족 신호는 이 작업을 위해 큐레이션하고 사용하기 어려운 신호 중 하나이다. 본 논문은 미국 LinkedIn 회원을 대상으로 인종/민족에 대한 공정성 측정을 프라이버시를 보존하는 방식으로 가능하게 하는 방법으로 Privacy-Preserving Probabilistic Race/Ethnicity Estimation(PPRE)을 제시한다. PPRE는 두 가지 인종/민족 인구통계학적 신호 소스(Bayesian Improved Surname Geocoding 추정기와 희소한 자기보고 인구통계 golden survey set) 위에 프라이버시 기술(구체적으로 secure two-party computation, differential privacy, additive homomorphic encryption)을 적용하여 미국 기반 인종/민족 인구통계에 대한 공정성 측정 솔루션을 구동한다. 우리는 그 프라이버시 보장을 상세히 설명하고 후보자 측 및 열람자 측 공정성 측정에 대한 적용을 시연한다. 마지막으로 유사한 프라이버시 보존 측정 인프라를 구현하려는 기관을 위한 이전 가능한(transferable) 프레임워크를 제시한다.
하이브리드 프라이버시 인식 의미 검색: 제한된 위협 모델 하에서 SVD 절단 문서 기하학과 CKKS 암호화 쿼리 재순위화
Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model
밀집 임베딩은 의미 검색과 검색-증강 생성(RAG)을 구동하지만, 임베딩 역산(embedding-inversion) 공격은 벡터로부터 원본 텍스트를 복원할 수 있다. 벡터 데이터베이스가 유출되면 그 뒤의 문서도 함께 유출된다. 교과서적인 방어책은 극단적이다. 전체 검색을 동형 암호(homomorphic encryption)로 암호화하는 것은 건전하지만 백만 문서 규모에서는 너무 느리고, 프라이버시 노이즈는 보호하기 전에 순위화를 훨씬 먼저 저하시킨다. 우리는 정적 컬렉션과 동적 쿼리 사이의 비대칭을 이용하는 중간 경로를 연구한다. 컬렉션은 기하학적으로 보호된다. 각 벡터는 저차원 SVD 부분공간으로 절단(truncate)되고 소유자만 아는 비밀 직교 변환으로 회전된다. 쿼리는 암호학적으로 보호된다. CKKS 동형 암호화 하에서 재순위화(rerank)되므로, honest-but-curious 서버는 쿼리나 점수를 볼 수 없다. CKKS 매개변수는 소규모 오프라인 벤치마크에서 도출된다. 우리는 보호된 부분공간에 갇힌 모든 공격자의 재구성 오류에 대한 tight 하한(lower bound)을 증명한다. 백만 문서와 다섯 개의 인코더에서 이 방식은 순위화 품질을 유지하며(강력한 인코더에서는 선형 디노이저로서 약간 개선), 1초 미만 지연을 달성한다. 보호된 공간에 대한 기성 inversion 공격은 노이즈 바닥(noise floor)으로 붕괴한다. 그다음 더 강한 적대자를 테스트한다. known-plaintext 공격자는 보존된 차원만큼의 유출된 쌍으로부터 직교 Procrustes를 통해 회전을 복구한다. 공개 product 양자화(product-quantization) 코드는 대부분의 최근접 이웃 구조를 보존한다. random-projection, calibrated-noise, BEIR 베이스라인은 절단이 무료 디노이저가 아니라 인코더 의존적 정확도 비용임을 보여준다. 한계를 명시한다. 쿼리 기밀성은 암호학적이지만, 문서 보호는(SVD 절단과 비밀 회전) 암호학적 원시 연산이 아닌 경험적 난독화 층이며, 각 주장에 대해 위협 모델을 한정한다.
TGHE: 엣지-클라우드 시스템에서 프라이버시 보존 GNN 추론을 위한 템플릿 기반 그래프 동형 암호
TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems
기존 동형 암호(HE) 기반 GNN 시스템은 그래프 중심(graph-centric) 패러다임을 채택하여 쿼리당 비용을 전역 그래프 크기에 연동시키며, 이로 인해 평가 규모가 최대 약 2만 개 노드로 제한되고 동적이며 대규모인 금융 그래프와는 호환되지 않는다. 우리는 TGHE(Template-based Graph Homomorphic Encryption)를 제안한다. 이는 템플릿 현상을 활용해 이 문제를 해결하는 자아 중심(ego-centric) 프레임워크로, 거래 그래프에서의 지역 계산 트리가 소수의 구조적 형태 집합으로 수렴한다. TGHE는 엣지에서 ego-graph를 정규형으로 변환하고, 구조적으로 동일한 트리를 공유 CKKS 암호문에 패킹하여 SIMD 병렬 암호화 추론을 수행한다. Approximate Template Fitting과 Topology Collapse라는 두 롱테일 최적화기(long-tail optimizers)가 전체 SIMD 커버리지를 보장한다. DGraphFin(370만 노드, 430만 엣지)에서 TGHE-Collapse는 순차 암호화 기준선 대비 66.9배 속도 향상을 달성하며 AUC 손실은 0.002 미만이다.
프라이버시 보존 비전을 위한 동형 암호화
Homomorphic Encryptions for Privacy Preserving Vision
법적 요건으로 인해 조직들은 소비자의 의료 정보나 금융 세부 정보와 같은 민감한 데이터를 공유하지 못하는 경우가 있으며, 이는 최근 빠르게 보급되고 있는 서드파티 제공업체의 클라우드 기반 ML-as-a-service 솔루션을 활용하지 못하게 만든다. 본 프로젝트에서는 암호화된 데이터만을 대상으로 컴퓨터 비전(CV) 추론(inference) 작업을 프라이버시 보존 방식으로 수행하는 것을 목표로 한다. 완전 동형 암호화(Fully Homomorphic Encryption)의 최근 발전으로 이러한 접근이 가능해졌다. 완전 동형 암호화는 암호화된 데이터에 대해 임의의 덧셈 및 곱셈 연산 시퀀스를 직접 수행할 수 있도록 한다. 동형 암호화를 CNN에 적용하기 위해서는 암호화 방식에 부합하도록 기존 CNN 레이어를 수정해야 한다. 본 연구의 목적은 암호화된 이미지를 직접 분류(classification)할 수 있는 CNN을 구성하는 최선의 방법을 탐색하는 것이었다. 동형 암호화 수행에는 Microsoft SEAL을 사용하였다. 이러한 "암호화 기반 CNN"의 성능은 비암호화 데이터로 학습된 동일한 CNN의 기준선(baseline) 정확도와 비교 가능해야 하며, 추론 시간 성능 저하를 최소화하는 것을 목표로 하였다. 다양한 데이터셋에서 분류 정확도의 최소한의 저하만을 성공적으로 달성하였다. 관련 연구에서 널리 사용되는 MNIST를 기준선으로 활용하였으며, 본 연구의 기여로서 Kuzushiji MNIST, Fashion-MNIST, CIFAR-10과 같은 더 복잡한 데이터셋도 탐색하였다. 또한, 컬러 이미지 처리(다채널 입력), 다중 합성곱 레이어 적용, 평균 풀링(pooling) 수행 등 TenSEAL 위에서의 더 복잡한 연산에 대한 지원도 추가하였다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.