본문으로 건너뛰기

연합학습 데이터 보안 강화 기법

· 약 3분

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

federated learning security

연합학습 데이터 보안 위협

구분보안 위협설명
중간자 공격모델 업데이트 도난공격자가 모델 업데이트를 탈취하여 민감한 데이터를 역추적하거나 모델 성능 저하 유발
노드 공격중독 공격공격자가 잘못된 데이터를 삽입하여 글로벌 모델 왜곡
데이터 편향차별적 성능 문제일부 참여자의 데이터가 학습되지 않아 특정 그룹의 예측 성능 저하
개인정보 학습개인정보, 민감정보를 그대로 학습하여 글로벌 모델 업데이트

연합학습 데이터 보안 강화 기법

구분보안 기법내용
개인정보 보호차분 프라이버시모델 업데이트에 노이즈를 추가하여 민감 정보 보호
암호화 보안TLS 및 동형 암호화TLS를 통한 데이터 전송 보안, 동형 암호화를 활용한 암호화 상태 학습
실행 환경 보안신뢰할 수 있는 실행 환경(TEE)CPU 내 격리된 공간에서 학습 수행하여 외부 접근 차단
모델 무결성 보장Byzantine Fault Tolerance(BFT)악의적 업데이트를 탐지 및 배제하여 글로벌 모델 품질 유지
노드 신뢰성 확보AI 기반 참여 노드 검증K-평균 클러스터링을 활용하여 비정상적 업데이트 탐지