디지털 세계에서 암호화 기술은 어떻게 개인 정보 프라이버시를 보호합니까?

02-06

이 기사는 기계로 번역되었습니다

원문 표시

편집자 주: 본 기사는 다양한 프라이버시 및 보안 강화 기술, 즉 영지식 증명(ZKP), 신뢰할 수 있는 실행 환경(TEE), 완전 동형 암호화(FHE) 등에 대해 다루고 있습니다. AI와 데이터 처리에서의 이러한 기술 적용 방식, 사용자 프라이버시 보호, 데이터 유출 방지, 시스템 보안 향상 등을 소개하고 있습니다. 또한 Earnifi, Opacity, MindV 등의 사례를 통해 이러한 기술을 활용한 무위험 투표, 데이터 암호화 처리 등을 보여주고 있지만, 동시에 계산 비용과 지연 문제 등의 과제도 언급하고 있습니다.

원문 내용은 다음과 같습니다(가독성 향상을 위해 일부 편집됨):

데이터 수요와 공급이 급증함에 따라 개인이 남기는 디지털 발자국이 점점 더 광범위해지면서 개인 정보가 남용되거나 무단 접근될 위험이 커지고 있습니다. 우리는 이미 개인 데이터 유출 사례, 예를 들어 케임브리지 애널리티카 스캔들 등을 목격했습니다.

아직 따라가지 못한 분들은 시리즈의 첫 번째 부분을 살펴볼 수 있습니다. 우리는 거기서 다음과 같은 내용을 다루었습니다:

· 데이터의 중요성

· AI의 데이터 수요 증가

· 데이터 계층의 등장

유럽의 GDPR, 캘리포니아의 CCPA 및 기타 지역의 규제로 인해 데이터 프라이버시는 윤리적 문제를 넘어 법적 요구사항이 되었으며, 기업들이 데이터 보호를 보장하도록 추진하고 있습니다.

AI 발전이 가속화됨에 따라 AI는 프라이버시 보호를 높이는 동시에 프라이버시와 검증 가능성 영역을 더욱 복잡하게 만들고 있습니다. 예를 들어 AI는 사기 행위 탐지를 돕지만 '딥페이크' 기술을 가능하게 하여 디지털 콘텐츠의 진실성 검증을 더욱 어렵게 만들고 있습니다.

장점

· 프라이버시 보호 기계 학습: 연합 학습을 통해 AI 모델을 사용자 기기에서 직접 학습할 수 있어 민감한 데이터를 집중할 필요가 없어 사용자 프라이버시를 보호할 수 있습니다.

· AI는 데이터를 익명화하거나 가명화하여 개인을 추적할 수 없게 만들면서도 분석에 활용할 수 있습니다.

· AI는 딥페이크 확산을 탐지하고 줄이는 도구 개발에 필수적이며, 이를 통해 디지털 콘텐츠의 검증 가능성(및 AI 에이전트의 진실성 검증)을 보장할 수 있습니다.

· AI는 데이터 처리 관행이 법적 기준을 준수하도록 자동으로 보장할 수 있어 검증 프로세스를 더욱 확장 가능하게 만듭니다.

과제

· AI 시스템은 대규모 데이터 세트가 필요하지만, 데이터 사용, 저장 및 액세스 방식이 불투명할 수 있어 프라이버시 문제가 발생합니다.

· 충분한 데이터와 고도의 AI 기술이 있으면 익명화된 데이터 세트에서 개인을 재식별할 수 있어 프라이버시 보호가 훼손될 수 있습니다.

· AI가 매우 사실적인 텍스트, 이미지 또는 비디오를 생성할 수 있어 진짜와 AI 생성물을 구분하기 어려워져 검증 가능성이 저하됩니다.

· AI 모델이 속임수나 조작(적대적 공격)에 취약할 수 있어 데이터 검증 가능성 또는 AI 시스템 자체의 무결성이 훼손될 수 있습니다(Freysa, Jailbreak 사례 참조).

이러한 과제는 AI, 블록체인, 검증 가능성 및 프라이버시 기술의 급속한 발전을 촉발했으며, 각 기술의 장점을 활용하고자 합니다. 다음과 같은 기술이 부상하고 있습니다:

· 영지식 증명(ZKP)

· 영지식 전송 계층 보안(zkTLS)

· 신뢰할 수 있는 실행 환경(TEE)

· 완전 동형 암호화(FHE)

1. 영지식 증명(ZKP)

ZKP를 통해 한 당사자는 다른 당사자에게 특정 정보를 알고 있거나 특정 진술이 사실임을 증명할 수 있지만, 증명 자체 이상의 정보는 공개하지 않습니다. AI는 이를 활용하여 데이터 처리나 의사 결정이 특정 기준을 충족함을 증명할 수 있습니다. 좋은 사례 연구로는 getgrass.io가 있습니다. Grass는 유휴 인터넷 대역폭을 활용하여 공개 웹 페이지 데이터를 수집하고 구조화하여 AI 모델 학습에 활용합니다.

Grass Network은 사용자가 브라우저 확장 프로그램이나 앱을 통해 유휴 인터넷 대역폭을 제공하면 이를 활용하여 공개 웹 페이지 데이터를 수집하고 AI 학습에 적합한 구조화된 데이터 세트로 가공합니다. 네트워크는 사용자가 운영하는 노드에서 이 웹 크롤링 프로세스를 실행합니다.

Grass Network은 사용자 프라이버시를 강조하며, 개인 정보가 아닌 공개 데이터만 수집합니다. 영지식 증명을 사용하여 데이터의 무결성과 출처를 검증하고, 데이터 손상을 방지하며 투명성을 보장합니다. 모든 데이터 수집 및 처리 거래는 솔라나 블록체인의 주권 데이터 집계를 통해 관리됩니다.

또 다른 좋은 사례 연구는 zkMe입니다.

zkMe의 zkKYC 솔루션은 프라이버시를 보호하는 방식으로 KYC(고객 확인) 프로세스를 수행하는 과제에 대응합니다. 영지식 증명을 활용하여 zkKYC는 사용자 신원을 검증하면서도 민감한 개인 정보를 노출하지 않아 규정 준수와 사용자 프라이버시를 동시에 보장합니다.

2. zkTLS

TLS = 표준 보안 프로토콜로, 두 통신 애플리케이션 간 프라이버시와 데이터 무결성을 제공합니다(일반적으로 HTTPS의 's'와 관련됨). zk + TLS = 데이터 전송 중 프라이버시와 보안 향상.

좋은 사례 연구로는 OpacityNetwork이 있습니다.

Opacity는 zkTLS를 통합하여 안전하고 비밀스러운 데이터 저장 솔루션을 제공합니다. zkTLS를 통해 사용자와 저장 서버 간 데이터 전송이 기밀성과 무결성을 유지하여 기존 클라우드 저장 서비스의 고유한 프라이버시 문제를 해결합니다.

사용 사례 - 선불 급여 Earnifi는 보고서에 따르면 특히 금융 앱 부문에서 상위권에 올랐으며, OpacityNetwork의 zkTLS를 활용했습니다.

· 프라이버시: 사용자는 대출 기관이나 다른 서비스에 은행 정보나 개인 정보(예: 은행 명세서)를 공개하지 않고도 자신의 수입이나 고용 상태를 제공할 수 있습니다.

· 보안성: zkTLS 사용으로 이러한 거래가 안전하고 검증되며 비밀이 유지됩니다. 사용자가 전체 재무 데이터를 제3자에게 맡길 필요가 없습니다.

· 효율성: 이 시스템은 복잡한 검증 프로세스나 데이터 공유가 필요한 기존 선불 급여 플랫폼과 관련된 비용과 복잡성을 줄입니다.

3. TEE

신뢰할 수 있는 실행 환경(TEE)은 일반 실행 환경과 안전한 실행 환경 간 하드웨어 강제 격리를 제공합니다. 이는 현재 AI 에이전트에서 가장 유명한 보안 구현 방식으로, 완전히 자율적인 에이전트를 보장합니다. 123skely의 aipool tee 실험으로 널리 알려졌습니다: 커뮤니티가 에이전트에 자금을 보내면 에이전트가 사전 정의된 규칙에 따라 자율적으로 토큰을 발행합니다.

marvin tong의 PhalaNetwork: MEV 보호, ai16zdao의 ElizaOS 통합, 그리고 검증 가능한 자율 AI 에이전트 Agent Kira.

fleek의 원클릭 TEE 배포: 사용 간소화와 개발자 접근성 향상에 초점을 맞추고 있습니다.

4. FHE(완전 동형 암호화)

제로 리스크 투표(MindV)
거버넌스 투표는 암호화된 데이터에서 이루어지므로 투표의 비밀성과 안전성을 보장하고 협박이나 뇌물의 위험을 줄입니다. 사용자는 높은 질의 스테이킹 자산을 보유함으로써 투표권(vFHE)을 얻어 거버넌스와 직접적인 자산 노출을 분리할 수 있습니다.

FHE + TEE
TEE와 FHE를 결합하여 AI 처리를 위한 강력한 보안 계층을 구축했습니다:

·TEE는 계산 환경 내의 작업을 외부 위협으로부터 보호합니다.

·FHE는 전체 프로세스에서 암호화된 데이터로 작업이 이루어지도록 보장합니다.

1백만 달러에서 10억 달러 이상의 거래를 처리하는 기관에게 프라이버시와 보안은 전면 거래, 해킹 공격 또는 거래 전략 노출을 방지하기 위해 매우 중요합니다.

AI 에이전트의 경우 이중 암호화를 통해 프라이버시와 보안이 강화되어 다음 분야에 매우 유용합니다:

·민감한 학습 데이터 프라이버시

·내부 모델 가중치 보호(역공학/IP 도용 방지)

·사용자 데이터 보호

FHE의 주요 과제는 계산 집약적이어서 높은 오버헤드로 인해 에너지 소비와 지연이 증가한다는 것입니다. 현재 연구에서는 하드웨어 가속, 하이브리드 암호화 기술, 알고리즘 최적화 등의 방법을 통해 계산 부담을 줄이고 효율성을 높이고자 합니다. 따라서 FHE는 저계산, 고지연 애플리케이션에 가장 적합합니다.