MPC(Multi-Party Computation)는 단일 당사자가 전체 데이터 세트에 액세스할 수 없는 여러 당사자 간에 안전한 데이터 처리 및 공유를 가능하게 하는 기술입니다.
이러한 유형의 분산 컴퓨팅은 참가자가 원시 데이터에 액세스하지 않고 개인 식별 정보(PII)에 대한 계산을 안전하게 수행하는 유틸리티를 포함하기 때문에 최근 몇 년 동안 주목을 받고 있습니다. 단일 참가자가 모든 데이터에 액세스할 수 없도록 하기 위해 암호학자는 당사자가 암호화된 데이터 조각을 분할하고 공유할 수 있는 다양한 프로토콜을 개발했습니다.
다자간 컴퓨팅이란 무엇입니까?
본질적으로 MPC는 단일 당사자가 원시 데이터에 액세스하지 않고 여러 당사자가 데이터를 계산할 수 있도록 하는 기술입니다. 그들은 데이터를 조각으로 나누고 암호화하여 참가자가 스스로 해독할 수 없도록 함으로써 이를 달성했습니다.
MPC의 핵심 구성 요소는 암호화된 데이터에 대한 계산을 허용하므로 참가자는 다른 당사자가 계산을 수행하는 내용이나 프로세스에서 얻는 결과를 볼 수 없습니다.
MPC의 역사
다자간 계산(MPC)은 1970년대에 중국 암호학의 전설인 Andrew Yao가 Garbled Circuits Protocol을 만들어 두 당사자가 입력 내용을 공개하지 않고 데이터를 계산할 수 있게 되면서 처음으로 주목을 받았습니다. 그의 백만장자의 문제는 MPC 양당 체제의 간단한 예를 제공했습니다.
1987년 GMW(Goldreich–Micali–Wigderson) 프로토콜이 탄생하여 진정한 다자간 플랫폼을 허용했으며 2008년 MPC는 모든 입찰자의 개인 정보를 보호하는 덴마크 사탕무 봉인 입찰 경매에서 실제 데뷔했습니다. 관련된. 이것은 여러 참가자와 안전한 디지털 거래를 수행하는 혁신적인 새로운 방법의 시작을 의미했습니다.
다자간 계산은 어떻게 작동합니까?
MPC는 여러 당사자 간에 암호화된 데이터 조각을 분할하고 공유하기 위해 비밀 공유 및 동형 암호화와 같은 암호화 기술을 사용합니다. 비밀 공유에는 정보 조각을 여러 구성 요소로 분할하는 것이 포함되며 각 당사자는 한 조각만 받습니다. 즉, 어느 누구도 전체 데이터에 액세스할 수 없습니다. 동형암호는 암호화된 데이터에 대한 계산을 가능하게 하는 데 사용됩니다. 즉, 민감한 정보를 일반 텍스트 형식으로 노출하지 않습니다.
다자간 컴퓨팅 작동 방식을 설명하는 예
A, B, C 세 회사가 프로젝트에 대해 협업하고 싶지만 중요한 데이터를 공유할 만큼 서로를 신뢰하지 않는다고 가정해 보겠습니다. MPC 솔루션을 사용하면 원시 정보에 액세스할 수 없는 상태에서 데이터를 안전하게 분할하고 계산을 수행할 수 있습니다.
먼저 A, B 및 C는 비밀 공유 알고리즘을 사용하여 데이터를 여러 구성 요소로 분할합니다. 그런 다음 각 회사는 준동형 암호화 알고리즘을 사용하여 이 조각을 암호화하고 다른 두 참가자에게 보냅니다. 이제 세 당사자 모두 서로의 데이터를 암호화했지만 어느 누구도 자체적으로 이를 해독하고 전체 정보 세트에 액세스할 수 없습니다.
다음으로 A, B, C는 암호화된 데이터를 해독하지 않고도 계산을 수행할 수 있습니다. 즉, 각 참가자는 자신의 기여만 볼 수 있으며 프로젝트에서 계속 공동 작업을 할 수 있습니다. 마지막으로, 이들 참가자 중 어느 누구도 서로의 원시 데이터에 액세스할 수 없기 때문에 자신의 정보가 안전하다는 것을 확신할 수 있습니다.
MPC를 개인 정보 보호 계산이라고 하는 이유는 무엇입니까?
데이터는 오늘날 세계에서 대체할 수 없는 도구이며, 세계에서 가장 혁신적이고 진보적인 많은 발전이 직접 추적할 수 있습니다. 그러나 데이터 공유는 너무 자주 개인 정보 침해 또는 통제력 상실의 헤아릴 수 없는 위험을 수반합니다.
MPC(Multi-Party Computation)는 이 문제에 대한 창의적인 솔루션을 제공하여 당사자가 다른 사람 또는 자신의 정보의 안전을 손상시키지 않고 특정 유형의 데이터에 액세스할 수 있는 새로운 온라인 환경을 조성하도록 돕습니다.
MPC는 결과를 제외한 어떤 데이터도 노출하지 않는 안전한 알고리즘을 사용합니다. 즉, 당사자는 개인 정보를 공개하거나 타인의 개인 정보 보호 권리를 침해하지 않고 중요한 결정을 내릴 수 있습니다. 이 기술은 우리가 알고 있는 데이터 보안을 혁신하고 유용한 정보 공유에서 비롯된 기회로 가득 찬 안전한 미래를 위한 길을 열 수 있습니다.
다자간 컴퓨팅 솔루션의 이점
MPC 솔루션은 다음과 같은 다양한 이점을 제공합니다.
• 보안 강화 – MPC는 암호화된 데이터 조각을 분할하고 어떤 시점에서도 원시 데이터를 노출하지 않음으로써 단일 당사자가 모든 정보에 액세스할 수 없도록 합니다. 따라서 PII 또는 의료 기록과 같은 매우 민감한 정보를 처리하는 데 이상적인 솔루션입니다.
• 향상된 개인정보 보호 – 각 참가자는 전체 데이터 세트의 일부만 받고 단일 당사자는 모든 정보에 액세스할 수 없으므로 MPC는 어느 한 당사자가 개인을 프로파일링하지 못하도록 하여 개인정보 보호를 개선하는 데에도 도움이 됩니다.
• 향상된 속도 및 확장성 – MPC 솔루션은 계산을 병렬로 실행할 수 있습니다. 즉, 대량의 데이터를 빠르게 처리할 수 있습니다. 이는 수행하는 데 많은 계산 능력이 필요한 기계 학습과 같은 작업에 특히 유용합니다.
다자간 컴퓨팅 솔루션의 단점
MPC 솔루션의 주요 단점은 다음과 같습니다.
• 더 높은 비용 – MPC 솔루션을 구현하고 실행하려면 기존 컴퓨팅 기술보다 더 많은 리소스가 필요합니다. 여기에는 설정에 필요한 하드웨어, 소프트웨어 및 기타 도구를 구입해야 하는 것이 포함됩니다.
• 복잡성 – 추가 암호화 기술이 필요하기 때문에 MPC 시스템 설정이 복잡할 수 있습니다. 또한 모든 문제를 여러 당사자가 해결해야 하므로 문제 해결 및 디버깅이 어려울 수 있습니다.
• 느린 속도 – MPC 솔루션은 암호화된 데이터에서 계산을 실행하기 때문에 종종 기존 컴퓨팅 프로세스보다 느리게 실행될 수 있습니다. 즉, 많은 양의 계산 능력이 필요한 작업을 완료하는 데 시간이 더 오래 걸릴 수 있습니다.
실제 세계의 MPC 애플리케이션
유전 테스트
유전학자들은 MPC를 사용하여 유전 데이터를 분석합니다. 인터넷을 통해 원시 DNA 시퀀스를 보내는 대신 각 당사자는 자신의 데이터를 암호화하여 MPC가 모든 당사자가 개별 정보를 공개하지 않고도 결과를 비교, 분석 및 해석할 수 있는 타사 서버로 보냅니다.
금융 거래
MPC를 사용하여 금융 거래를 보호할 수 있습니다. 데이터를 여러 조각으로 분할하고 안전한 MPC 환경에서 처리하여 단일 당사자가 모든 정보에 액세스할 수 없도록 함으로써 이를 달성할 수 있습니다. 따라서 프라이버시가 가장 중요한 암호화폐 거래소와 같은 디지털 결제 솔루션에 이상적입니다.
의료 연구
MPC 솔루션을 사용하여 대량의 의료 데이터를 공유하고 분석할 수 있습니다. 데이터를 보내기 전에 암호화함으로써 각 당사자는 다른 사람의 개인 정보나 보안을 손상시키지 않는 특정 정보에 액세스할 수 있습니다. 따라서 MPC는 민감한 환자 데이터와 관련된 임상 시험 및 기타 연구 프로젝트에 이상적인 솔루션입니다.
블록체인의 임계값 서명
MPC는 다양한 디지털 서명을 보호할 수 있습니다. blockchain 프로젝트. 그들은 서명을 여러 참여자 간에 분할하여 단일 당사자가 전체 서명에 액세스할 수 없도록 함으로써 이를 달성했습니다. 이렇게 하면 한 당사자가 손상되더라도 디지털 서명이 안전하고 변조 방지 상태로 유지됩니다.
MPC에 대한 안전한 대안
암호화 방법
암호화 방법은 중요한 데이터를 안전하게 저장하고 전송할 수 있게 해주는 컴퓨터 보안의 필수적인 부분입니다. 이 목적에 사용되는 두 가지 주요 암호화 방법은 준동형 암호화와 영지식 증명입니다.
동형암호는 수학적 공식을 사용하여 암호화된 데이터를 먼저 해독하지 않고 계산할 수 있도록 하여 개인 정보를 손상시키지 않고 데이터를 안전하게 공유할 수 있도록 합니다.
영지식 증명은 세부 사항을 밝히지 않고 정보에 대한 진실을 검증하는 수학적 기법을 제공하므로 기밀 정보를 다룰 때 매우 유용합니다.
암호화에 사용되는 또 다른 기술은 수집된 데이터에 통제된 임의성을 추가하여 악의적인 당사자가 사용자의 개인 정보를 얻지 못하도록 하는 차등 프라이버시입니다. 본질적으로 암호화 방법은 보안 계층을 강화하고 데이터 위반에 대한 보호를 제공하여 데이터에 대한 더 많은 제어를 제공합니다.
AI/ML 기반 방법
AI/ML 지원 방법은 차세대 프라이버시 중심 이니셔티브를 지원하는 데 도움이 됩니다. 이러한 변화를 가능하게 하는 두 가지 핵심 기술은 합성 데이터와 연합 학습입니다.
합성 데이터는 실제 정보를 실제로 사용하지 않고 관련 특성의 분포를 복제하는 데이터 포인트를 생성하는 인공 지능의 한 형태입니다.
연합 학습은 분석가가 모델에 저장된 기밀 또는 민감한 정보를 손상시킬 위험 없이 동시에 여러 데이터 세트에 걸쳐 모델을 교육하는 분산 기계 학습 기술의 한 형태입니다.
이 두 가지 방법을 함께 사용하면 처음부터 끝까지 더 나은 정확성과 더 강력한 데이터 개인 정보 보호가 가능하므로 더 큰 확신을 가지고 더 현명한 결정을 내릴 수 있습니다.
결론
MPC는 단일 당사자가 전체 데이터 세트에 액세스할 수 없는 여러 당사자 간에 안전한 데이터 처리를 가능하게 하는 점점 더 인기 있는 기술입니다. 비밀 공유 및 동형 암호화와 같은 암호화 기술을 사용하여 데이터 조각을 분할하고 암호화하여 참가자 중 누구도 원시 데이터에 액세스하거나 개인을 프로파일링할 수 없도록 합니다.
향상된 보안, 개선된 개인 정보 보호, 향상된 속도 및 확장성을 비롯한 많은 이점을 갖춘 MPC 솔루션은 조직이 중요한 데이터를 안전하고 효율적으로 처리할 수 있는 강력한 솔루션을 제공합니다.
출처: https://www.cryptopolitan.com/multi-party-computation-mpc-solutions/