외부 기관을 고려한 확장성과 프라이버시를 제공하는 PSO 기법에 관한 연구 = A Study on Private Set Operation Providing Scalability and Privacy Considering External Party|RISS 상세보기

국문 초록 (Abstract)

최근 다양한 응용 환경에서 데이터 프라이버시 보호의 필요성이 대두되고 있다. 이러한 데이터 프라이버시를 제공하기 위한 암호학적 기법인 SMPC(Secure Multiparty Computation)의 주요 분야인 PSO(Private Set Operation)가 활발히 연 구되고 있다. PSO는 참여자들이 집합을 입력하면, 교집합을 계산하는 PSI(Private Set Intersection)와 합집합을 계산하는 PSU(Private Set Union)가 존재한다. 기존의 대부분 PSI 및 PSU 기법들은 모든 참여자가 집합을 입력하고, 그중 한 명의 참여자만이 결과를 획득하는 형태로 설계되어 왔다. 하지만, 더 많은 환경에 서는 데이터 집합을 입력하지 않는 외부 기관(External Party)만이 나머지 참여자 들이 입력한 집합 연산 결과를 획득해야 하는 경우가 존재한다. 다만, 외부 기관 을 고려한 기존 PSI 및 PSU 기법들은 몇 가지 제한점이 존재한다. PSI의 경우, 두 참여자가 입력한 집합의 교집합을 외부 기관이 획득할 수 있는 기법이 존재하 나, 두 집합 간 교집합 계산만 가능하다는 제한점이 존재한다. 또한 PSU의 경우, 외부 기관을 고려한 기법이 현재까지 제안되지 않았다. 이에 본 논문에서는 여러 참여자들이 데이터 집합을 입력할 수 있도록 확장성 을 제공하고, 각자 집합의 추가 정보 노출에 대한 프라이버시를 제공하면서 외부 기관만이 교집합과 합집합을 계산하는 EP-MPSI(External Party-Multiparty Private Set Intersection)와 EP-MPSU(External Party-Multiparty Private Set Union) 기법을 각각 제안하였다. 이는 기존 기법들에서의 보안 요구사항들을 모두 만족함과 동시에, 최신 연구들과 대조해 통신량을 개선하여 효율성을 확보하였다. 따라서, 본 연구에서 제안한 기법들은 상급 의료규제기관이 병원으로부터 데이터 를 수집하여 통계 및 의료 정책 수립에 활용하거나, AI(Artificial Intelligence) 연구소가 하위 연구소로부터 데이터를 수집하여 LLM(Large Language Model) 학습 또는 연합 학습 환경을 조성하는 데 효과적인 솔루션이 될 것이다.

번역하기

최근 다양한 응용 환경에서 데이터 프라이버시 보호의 필요성이 대두되고 있다. 이러한 데이터 프라이버시를 제공하기 위한 암호학적 기법인 SMPC(Secure Multiparty Computation)의 주요 분야인 PSO(Pr...

목차 (Table of Contents)