연합학습 데이터 보안 강화 기법

연합학습 개념

• 분산된 개별 장치에서 로컬 학습을 수행한 후 모델 업데이트만 공유하여 글로벌 모델을 생성하는 기법
• 데이터 송수신 및 모델 업데이트 공유 과정에서 보안 위협 발생 존재, 이를 보완하기 위한 보안 강화 기법 필요

연합학습 데이터 보안 위협 및 강화 기법

연합학습 데이터 보안 위협 개념도

연합학습 데이터 보안 위협

구분	보안 위협	설명
중간자 공격	모델 업데이트 도난	공격자가 모델 업데이트를 탈취하여 민감한 데이터를 역추적하거나 모델 성능 저하 유발
노드 공격	중독 공격	공격자가 잘못된 데이터를 삽입하여 글로벌 모델 왜곡
데이터 편향	차별적 성능 문제	일부 참여자의 데이터가 학습되지 않아 특정 그룹의 예측 성능 저하
	개인정보 학습	개인정보, 민감정보를 그대로 학습하여 글로벌 모델 업데이트

연합학습 데이터 보안 강화 기법

구분	보안 기법	내용
개인정보 보호	차분 프라이버시	모델 업데이트에 노이즈를 추가하여 민감 정보 보호
암호화 보안	TLS 및 동형 암호화	TLS를 통한 데이터 전송 보안, 동형 암호화를 활용한 암호화 상태 학습
실행 환경 보안	신뢰할 수 있는 실행 환경(TEE)	CPU 내 격리된 공간에서 학습 수행하여 외부 접근 차단
모델 무결성 보장	Byzantine Fault Tolerance(BFT)	악의적 업데이트를 탐지 및 배제하여 글로벌 모델 품질 유지
노드 신뢰성 확보	AI 기반 참여 노드 검증	K-평균 클러스터링을 활용하여 비정상적 업데이트 탐지