로그인/ 가입하기

아크스트림 캐피탈: FHE 트랙에 투자한 이유

2024/05/28 09:24

따르다

출처: ArkStream Capital

서문

그동안 암호화 기술은 인류 문명 발전의 중추적인 위치를 차지해 왔으며 특히 정보 보안 및 개인 정보 보호 분야에서 대체 불가한 역할을 해왔습니다. 다양한 분야에서 데이터 전송 및 저장을 위한 견고한 보호 기능을 제공할 뿐만 아니라 비대칭 암호화 공개-개인 키 시스템과 해시 함수는 2008년 사토시 나카모토에 의해 창의적으로 융합되어 이중화 문제를 해결하는 작업 증명 메커니즘을 설계함으로써 혁신적인 디지털 화폐인 비트코인을 탄생시키고 블록체인 산업의 새로운 시대를 열었습니다.

블록체인 산업의 지속적인 진화와 급속한 발전에 따라 일련의 첨단 암호화 기술이 계속 등장하고 있으며, 그 중 영지식증명(ZKP), 다자간 컴퓨팅(MPC), 완전동형암호(FHE)가 가장 두드러진 기술입니다. 이러한 기술은 블록체인의 '불가능한 삼각형' 문제를 해결하기 위해 롤업 방식과 결합된 ZKP, 사용자 포털의 대규모 적용(대량 채택)을 촉진하기 위해 공개-개인 키 시스템과 결합된 MPC 등 다양한 시나리오에서 널리 사용되었습니다. 암호화의 성배 중 하나로 여겨지는 FHE의 경우, 제3자가 암호화된 데이터에 대해 복호화 없이 얼마든지 계산과 연산을 수행할 수 있는 고유한 기능을 통해 결합 가능한 온체인 프라이버시 계산을 실현하고 여러 분야와 시나리오에 새로운 가능성을 제시할 수 있습니다.

FHE에 대한 간략한 개요

FHE(완전 동형 암호화)를 언급할 때 먼저 그 이름 뒤에 숨겨진 의미를 이해할 수 있습니다. 먼저 HE는 동형 암호화의 약자로, 암호화된 데이터의 수학적 속성을 그대로 유지하면서 평문으로 직접 매핑할 수 있는 암호 텍스트에 대한 계산과 연산을 허용하는 것이 핵심 기능입니다. FHE의 "F"는 이러한 동형성을 완전히 새로운 차원으로 끌어올려 암호화된 데이터에 대한 무제한 계산과 연산을 허용합니다.

이해를 돕기 위해 가장 간단한 선형 함수를 암호화 알고리즘으로 선택했으며, 덧셈과 곱셈 동형성을 단일 연산의 맥락에서 설명해 보았습니다. 덧셈 동형과 곱셈 동형. 물론 실제 FHE는 훨씬 더 복잡한 수학적 알고리즘을 사용하며, 계산 리소스(CPU 및 메모리) 측면에서 매우 까다롭습니다.

심오하고 복잡한 FHE의 수학은 여기서는 다루지 않겠습니다. 동형 암호화 영역에는 FHE 외에도 부분 동형 암호화와 다소 동형 암호화라는 두 가지 형태의 암호화가 있다는 점을 언급할 가치가 있습니다. 이들 간의 주요 차이점은 지원되는 연산 유형과 허용되는 연산 수이지만, 암호화된 데이터에 대한 계산 및 연산을 구현할 수 있는 가능성도 제공합니다. 그러나 내용을 간결하게 유지하기 위해 여기서는 이에 대해 자세히 설명하지 않겠습니다.

FHE 업계의 연구 개발에는 여러 유명 기업이 참여하고 있지만, 우수한 오픈 소스 제품(코드베이스)을 보유한 Microsoft와 Zama가 독보적인 가용성과 영향력을 자랑합니다. 이들은 개발자에게 안정적이고 효율적인 FHE 구현을 제공했으며, 이러한 기여는 FHE 기술의 지속적인 발전과 광범위한 채택에 크게 기여했습니다.

마이크로소프트의 SEAL: 전체 동형 암호화뿐만 아니라 부분 동형 암호화도 지원하기 위해 마이크로소프트 연구소에서 만든 FHE 라이브러리로, 효율적인 C++ 인터페이스를 제공하며 여러 최적화 알고리즘과 기술을 통합하여 계산 성능과 효율성을 크게 향상시킵니다.

Zama의 TFHE: 고성능 완전 동형 암호화에 중점을 둔 오픈 소스 라이브러리로, C 인터페이스를 통해 서비스를 제공하며 일련의 고급 최적화 기술과 알고리즘을 적용하여 빠른 계산 속도와 낮은 리소스 소비를 목표로 합니다.

가장 단순화된 개념에 따르면, FHE를 경험하는 작업 흐름은 대략 다음과 같습니다:

키 생성: FHE 라이브러리/프레임워크를 사용하여 공개 키와 개인 키 한 쌍을 생성합니다.
데이터 암호화: 공개 키를 사용하여 FHE 계산에서 처리해야 하는 데이터를 암호화합니다.
동형 연산 수행: FHE 라이브러리에서 제공하는 동형 연산 기능을 사용하여 암호화된 데이터에 대해 더하기, 곱하기 등 다양한 연산 작업을 수행합니다.
결과 복호화: 계산 결과를 확인해야 하는 경우 정상적인 사용자가 개인키를 사용하여 계산 결과를 복호화합니다.

FHE 실무에서는 복호화 키의 관리 체계(생성, 유통, 사용 등)가 특히 중요합니다. 암호화된 데이터의 연산 및 조작 결과는 특정 순간과 시나리오에서 사용하기 위해 복호화되어야 하기 때문에 복호화 키는 원본 및 처리된 데이터의 보안과 무결성을 보장하는 핵심이 됩니다. 복호화 키 관리와 관련하여 이 체계는 실제로 전통적인 키 관리와 많은 유사점을 가지고 있지만, FHE의 특수성을 고려할 때 더 엄격하고 세부적인 전략을 채택하도록 설계할 수도 있습니다.

블록체인의 경우, 임계값 다자간 보안 컴퓨팅(TMPC) 방식을 도입하는 것은 탈중앙화되고 투명하며 변조가 불가능한 특성으로 인해 매우 유망한 옵션입니다. 이 방식을 사용하면 여러 참가자가 복호화 키를 공동으로 관리하고 제어할 수 있으며, 미리 설정된 임계값(즉, 참가자 수)에 도달한 경우에만 데이터를 성공적으로 복호화할 수 있습니다. 이는 키 관리의 보안을 향상시킬 뿐만 아니라 단일 노드가 손상될 위험을 줄여 블록체인 환경에서 FHE를 적용하는 데 강력한 보장을 제공합니다.

fhEVM을 위한 토대 마련

최소 침습적인 관점에서 블록체인에 FHE를 적용하는 이상적인 방법은 범용 스마트 컨트랙트 코드베이스로 캡슐화하여 가벼움과 유연성을 보장하는 것입니다. 그러나 이 옵션은 스마트 콘트랙트 VM이 FHE에 필요한 복잡한 수학적 연산과 암호화 연산을 위한 특정 명령어 집합을 미리 지원해야 한다는 전제가 있습니다. 가상 머신이 이러한 요구 사항을 충족할 수 없는 경우, 원활한 통합을 위해 가상 머신의 핵심 아키텍처를 사용자 지정하고 FHE 알고리즘을 수용하도록 가상 머신의 핵심 아키텍처에 맞게 조정해야 합니다.

널리 채택되고 오랜 기간 검증된 가상 머신인 EVM은 FHE 구현을 위한 자연스러운 선택입니다. 그러나 이 분야의 실무자는 극소수이며, 그중에서도 TFHE를 오픈소스화한 기업인 Zama를 주목할 필요가 있습니다. Zama는 기본적인 TFHE 라이브러리를 제공할 뿐만 아니라, AI와 블록체인에 FHE 기술을 적용하는 데 주력하는 기술 회사로서 두 가지 중요한 오픈 소스 제품인 Concrete ML과 fhEVM을 출시했습니다. Concrete ML은 머신러닝 개인정보 보호 계산에 중점을 두고 있습니다. 데이터 과학자와 머신 러닝 실무자는 Concrete ML을 통해 개인정보를 보호하면서 민감한 데이터에 대한 머신 러닝 모델을 훈련하고 추론할 수 있으므로 개인정보 유출에 대한 걱정 없이 데이터 리소스를 최대한 활용할 수 있습니다. 또 다른 제품인 fhEVM은 솔리디티를 지원하여 프라이버시 계산을 가능하게 하는 완전 동형 EVM으로, 개발자는 이더넷 스마트 컨트랙트에서 프라이버시 보호 및 보안 계산을 위해 완전 동형 암호화를 사용할 수 있습니다.

fhEVM의 핵심 기능은 다음과 같습니다.

fhEVM: 비 EVM 바이트코드 수준에서 fhEVM은 Zama 오픈소스를 통합하여 인레이드 함수 형태로 구현됩니다. FHE 라이브러리는 서로 다른 상태의 사전 컴파일된 여러 컨트랙트를 통합하여 FHE 작업을 지원합니다. 또한, 특정 EVM 메모리와 스토리지 영역은 FHE 암호문 저장, 읽기, 쓰기, 검증을 위해 FHE 전용으로 사용되며,
분산 임계값 프로토콜을 기반으로 설계된 복호화 메커니즘: 여러 사용자 및 여러 계약 간에 암호화된 데이터를 위한 글로벌 FHE 키 혼합 및 암호화된 키의 온체인 저장, 여러 검증자 간의 임계값을 가진 멀티파티 멀티파티를 지원함. 안전한 계산 체계에서 복호화 키를 공유하기 위한 비동기 암호화 메커니즘
개발자의 사용 문턱을 낮추는 솔리디티 컨트랙트 라이브러리: 암호화된 데이터 유형, 연산 유형, 복호화 호출 및 FHE의 암호화된 출력을 설계

Zama의 fhEVM은 다음을 제공합니다. 견고한 출발점을 제공하지만, 기술 개발에 주력하는 Zama의 주요 초점을 고려할 때 이 솔루션은 엔지니어링 랜딩 및 상용 애플리케이션에 대한 고려가 상대적으로 적은 기술적인 측면에 더 중점을 두고 있습니다. 따라서 fhEVM은 실제 적용을 추진하는 과정에서 기술적 한계와 성능 최적화 문제를 포함하되 이에 국한되지 않는 다양한 예상치 못한 문제에 직면할 수 있습니다.

FHE-롤업 생태계 구축

fhEVM은 그 자체로는 프로젝트나 완전한 생태계를 구성할 수 없으며, 이더리움 생태계의 다양한 클라이언트 중 하나에 가깝다고 할 수 있습니다. 독립적인 프로젝트로서 발판을 마련하기 위해서는 퍼블릭 체인 수준의 아키텍처에 의존하거나 레이어2/레이어3 솔루션을 채택해야 합니다. FHE 퍼블릭 체인의 발전 방향은 필연적으로 분산 검증자 노드 간의 FHE 컴퓨팅 자원 중복과 낭비를 줄이는 방법을 다루어야 할 것입니다. 반대로 퍼블릭 체인 자체의 실행 레이어로 존재하는 레이어2/레이어3 솔루션은 계산 작업을 소수의 노드에 분산하여 계산 오버헤드를 크게 줄일 수 있습니다. 이러한 이유로 피닉스는 선구자로서 fhEVM과 롤업 기술의 결합을 적극적으로 모색하고 있으며, 고급 FHE-롤업 유형의 레이어2 솔루션을 구축할 것을 제안하고 있습니다.

ZK 롤업 기술은 복잡한 ZKP 메커니즘을 포함하며 검증에 필요한 증명을 생성하는 데 막대한 계산 자원이 필요하고 전체 FHE 자체의 특성과 결합된다는 점을 고려할 때 ZK 롤업 기반 FHE-롤업 솔루션의 직접 구현은 많은 도전에 직면하게 될 것입니다. 따라서 현 단계에서는 ZK 롤업에 비해 낙관적 롤업 방식을 채택하는 것이 더 실용적이고 효율적일 것으로 판단됩니다.

Fhenix의 기술 스택은 다음과 같은 핵심 구성 요소로 구성되어 있습니다. 웹 어셈블리에서 부정 행위를 증명할 수 있는 Arbitrum Nitro의 부정 행위 증명자의 변형으로, 안전한 작동을 위해 FHE 로직을 먼저 웹 어셈블리로 컴파일할 수 있습니다. 핵심 라이브러리인 fheOS는 FHE 로직을 스마트 컨트랙트에 통합하는 데 필요한 모든 기능을 제공합니다. 임계값 서비스 네트워크(TSN)는 비밀리에 공유된 네트워크 키를 호스팅하고, 알고리즘별 비밀 공유 기술을 사용하여 여러 복사본으로 분할하여 보안을 보장하며, 필요할 때 데이터 해독과 같은 작업을 처리하는 또 다른 중요한 구성 요소입니다.

Fhenix는 위에서 설명한 기술 스택을 기반으로 첫 번째 공개 버전인 Fhenix Frontier를 출시했습니다. 여러 제한 사항과 누락된 기능이 있는 초기 릴리스이지만, 스마트 컨트랙트 코드베이스, 솔리디티 API, 컨트랙트 개발 툴체인(예: 하드햇/리믹스), 프론트엔드 상호작용 JavaScript 라이브러리 등을 사용하기 위한 포괄적인 지침을 이미 제공하고 있습니다. 이에 관심이 있는 개발자 및 에코 프로젝트는 공식 문서를 참조하여 살펴볼 수 있습니다.

체인-애그노스틱의 FHE 코프로세서

FHE-롤업에 기반하여 Fhenix는 모든 종류의 퍼블릭 체인, L2 및 L3 네트워크를 강화하도록 설계된 릴레이 모듈을 영리하게 도입하여 다음을 수행할 수 있도록 합니다. FHE 코프로세서에 액세스하여 FHE 기능을 사용할 수 있습니다. 즉, 기존 호스트 체인이 FHE를 지원하지 않더라도 간접적으로 FHE의 힘을 누릴 수 있게 된 것입니다. 하지만 FHE 롤업에 대한 증명 챌린지 기간이 보통 7일 정도로 길기 때문에 FHE의 광범위한 적용에는 어느 정도 제한이 있습니다. 이러한 문제를 극복하기 위해 에픽닉스는 아이겐레이어와 손을 잡고 아이겐레이어의 리스테이크 메커니즘을 통해 보다 빠르고 편리한 FHE 코프로세서 서비스 채널을 제공함으로써 전체 FHE 코프로세서의 효율성과 유연성을 크게 향상시켰습니다.

FHE 코프로세서의 사용 과정은 간단합니다.

애플리케이션 컨트랙트가 호스트 체인에서 FHE 코프로세서를 호출하여 암호화 연산 작업을 수행합니다.
릴레이 컨트랙트가 요청을 큐에 대기
릴레이 노드가 릴레이 컨트랙트를 수신하고 전용 페닉스 롤업으로 호출을 전달
FHE 롤업이 FHE 연산 작업을 수행
임계치 네트워크가 결과물을 복호화합니다
릴레이 노드가 결과물과 낙관적 증명을 컨트랙트로 다시 전달합니다
컨트랙트는 낙관적 증명을 검증하고 결과를 호출자에게 보냅니다
애플리케이션 컨트랙트가 호출과 결과를 결합하고 컨트랙트를 계속 실행합니다

Fhenix 참여 가이드;

개발자라면 Fhenix 소스 문서를 자세히 살펴보고 이를 기반으로 자신만의 FHE형 애플리케이션을 개발하여 실제 애플리케이션에서의 가능성을 탐색할 수 있습니다.

사용자라면 FHE 롤업에서 제공하는 디앱을 직접 체험해보고 FHE가 제공하는 데이터 보안과 프라이버시 보호를 느껴볼 수 있습니다.

연구자라면 FHE의 원리, 기술적 세부 사항 및 응용 전망에 대해 더 깊이 이해하고 연구 분야에서 더 가치 있는 기여를 할 수 있도록 Fhenix의 설명서를 꼼꼼히 읽어보시길 적극 권장합니다.

FHE의 최상의 응용 시나리오

FHE 기술은 특히 풀체인 게임, DeFi, AI 등의 분야에서 광범위한 응용 가능성을 보여줍니다. 저희는 이러한 분야에서 발전 가능성이 크고 응용 범위가 넓다고 굳게 믿고 있습니다. strong>

개인정보 보호 풀체인 게임: FHE 기술은 게임 경제에서 금융 거래와 플레이어 운영을 위한 강력한 암호화 보호 장치를 제공하여 실시간 조작 행위를 효과적으로 방지하고 게임의 공정성과 공평성을 보장합니다. 동시에 FHE는 플레이어 활동을 익명화하여 플레이어의 금융 자산과 개인정보 유출 위험을 크게 줄여 모든 측면에서 플레이어의 개인정보와 보안을 보호할 수 있습니다.
디파이/MEV: 디파이 활동이 급증함에 따라 많은 디파이 운영이 다크 포레스트에서 MEV 공격의 표적이 되고 있습니다. 이러한 문제를 해결하기 위해 FHE는 비즈니스 로직 계산 처리를 보장한다는 전제 하에 포지션 수, 청산 라인, 거래 슬리피지 등과 같이 DeFi가 공개하고 싶지 않은 민감한 데이터를 효과적으로 보호할 수 있습니다. FHE를 적용하면 체인 내 디파이의 건전성을 크게 개선하여 바람직하지 않은 MEV 동작의 빈도를 크게 줄일 수 있습니다.
AI: AI 모델의 학습은 데이터 세트에 의존하며, 개별 데이터를 학습에 사용할 때는 민감한 개별 데이터의 보안을 보장하는 것이 주요 전제 조건이 됩니다. 이러한 이유로 FHE 기술은 개별 개인 데이터에 대한 AI 모델 학습에 이상적인 솔루션으로, AI가 암호화된 데이터를 처리하여 개인 민감 정보를 노출하지 않고 학습 프로세스를 완료할 수 있게 해줍니다.

FHE의 커뮤니티 인지도

기술의 발전은 하드코어한 특성만으로 이루어지지 않았습니다. 기술의 성숙과 지속적인 발전을 위해서는 지속적이고 개선된 학술 연구 개발과 활발하게 구축된 커뮤니티의 힘이 뒷받침되어야 합니다. 이러한 점에서 FHE는 암호학의 성배로 불리며 그 잠재력과 가치를 오랫동안 널리 인정받아 왔으며, 2020년 비탈릭 부테린은 "완전 동형 암호화 탐구"라는 글에서 FHE 기술에 대한 높은 인정과 지지를 보냈습니다. 최근 그는 소셜 미디어를 통해 다시 한 번 이러한 입장을 재차 강조하며 FHE 기술 개발을 위해 더 많은 자원과 힘을 실어줄 것을 촉구했습니다. 이는 새로운 프로젝트, 비영리 연구 및 교육 기관, 지속적인 시장 자금 투입의 꾸준한 흐름과 맞물려 곧 일어날 기술 폭발의 서막을 알리는 신호탄으로 보입니다.