ArkStream Capital: 우리가 FHE 분야에 투자하는 이유는 무엇인가요?

2024-05-27 17:00:17

수집

전지적 동형 암호(FHE)는 암호학의 성배 중 하나로 여겨지며, 그 독특한 특성 덕분에 제3자가 암호화된 데이터를 해독하지 않고도 임의의 횟수로 계산 및 조작할 수 있게 하여, 조합 가능한 체인 상의 프라이버시 계산을 실현하고 여러 분야와 상황에 새로운 가능성을 가져다주었습니다.

위챗으로 스캔하기

서문

과거, 암호학 기술은 인류 문명의 발전에서 중요한 역할을 했으며, 특히 정보 보안과 개인 정보 보호 분야에서 대체 불가능한 역할을 수행했습니다. 이는 각 분야의 데이터 전송 및 저장에 강력한 보호를 제공할 뿐만 아니라, 비대칭 암호화의 공개 키와 개인 키 시스템 및 해시 함수는 2008년 사토시 나카모토에 의해 창의적으로 융합되어 이중 지불 문제를 해결하는 작업 증명 메커니즘을 설계함으로써 비트코인이라는 혁신적인 디지털 통화의 탄생을 촉진하고 블록체인 산업의 새로운 시대를 열었습니다.

블록체인 산업의 지속적인 진화와 빠른 발전에 따라, 일련의 최첨단 암호학 기술이 계속해서 등장하고 있으며, 그 중 제로 지식 증명(ZKP), 다자 계산(MPC), 전동 동형 암호(FHE) 등이 가장 두드러집니다. 이러한 기술은 여러 시나리오에서 광범위하게 적용되고 있으며, 예를 들어 ZKP는 롤업 솔루션과 결합하여 블록체인의 "불가능한 삼각형" 문제를 해결하고, MPC는 공개 키와 개인 키 시스템과 결합하여 사용자 진입의 대규모 응용(Mass Adoption)을 촉진합니다. 암호학의 성배 중 하나로 여겨지는 전동 동형 암호 FHE는 그 독특한 특성 덕분에 제3자가 암호화된 데이터에 대해 복호화 없이 임의의 횟수로 계산 및 조작할 수 있게 하여 조합 가능한 온체인 개인 정보 계산을 실현하고 여러 분야와 시나리오에 새로운 가능성을 가져왔습니다.

FHE 빠른 개요

FHE(전동 동형 암호)에 대해 언급할 때, 우리는 먼저 그 이름 뒤에 숨겨진 의미를 이해할 수 있습니다. 먼저, HE는 동형 암호화 기술을 나타내며, 그 핵심 특성은 암호문에 대해 계산 및 조작을 허용하는 것입니다. 이러한 작업은 평문에 직접 매핑될 수 있으며, 즉 암호화된 데이터의 수학적 속성을 유지합니다. FHE의 "F"는 이러한 동형성이 새로운 차원에 도달했음을 의미하며, 암호화된 데이터에 대해 무한한 횟수로 계산 및 조작을 허용합니다.

이해를 돕기 위해, 우리는 가장 간단한 선형 함수를 암호화 알고리즘으로 선택하고 단일 작업을 결합하여 덧셈 동형성과 곱셈 동형성을 설명합니다. 물론 실제 FHE는 훨씬 더 복잡한 수학 알고리즘의 집합을 사용하며, 이러한 알고리즘은 계산 자원(CPU 및 메모리)에 대한 요구가 매우 높습니다. FHE의 수학적 원리는 심오하고 복잡하지만, 여기서 더 이상 자세히 설명하지는 않겠습니다. 동형 암호화 분야에서 FHE 외에도 일부 동형 암호화 및 일부 동형 암호화라는 두 가지 형태가 존재합니다. 이들은 지원하는 작업 유형과 허용되는 연산 횟수에서 주로 차이가 있지만, 암호화된 데이터의 계산 및 조작을 가능하게 합니다. 그러나 내용을 간결하게 유지하기 위해 여기서는 깊이 있는 논의는 하지 않겠습니다.

FHE 산업에서는 많은 유명 기업들이 연구 및 개발에 참여하고 있지만, 마이크로소프트와 자마는 그들의 뛰어난 오픈 소스 제품(코드베이스)을 통해 비교할 수 없는 유용성과 영향력을 강조했습니다. 그들은 개발자에게 안정적이고 효율적인 FHE 구현을 제공하여 FHE 기술의 지속적인 발전과 광범위한 응용을 크게 촉진했습니다.

마이크로소프트의 SEAL: 마이크로소프트 연구소에서 정성스럽게 개발한 FHE 라이브러리로, 전동 동형 암호화를 지원할 뿐만 아니라 일부 동형 암호화와도 호환됩니다. SEAL은 효율적인 C++ 인터페이스를 제공하며, 여러 최적화 알고리즘과 기술을 통합하여 계산 성능과 효율성을 크게 향상시켰습니다.

자마의 TFHE: 고성능 전동 동형 암호화에 중점을 둔 오픈 소스 라이브러리입니다. TFHE는 C 언어 인터페이스를 통해 서비스를 제공하며, 일련의 고급 최적화 기술과 알고리즘을 사용하여 더 빠른 계산 속도와 더 낮은 자원 소비를 목표로 합니다.

가장 단순화된 사고에 따라, FHE의 작업 흐름은 대략 다음과 같습니다:

키 생성: FHE 라이브러리/프레임워크를 사용하여 공개 키와 개인 키 쌍을 생성합니다.
데이터 암호화: 공개 키를 사용하여 FHE 계산 처리가 필요한 데이터를 암호화합니다.
동형 계산 수행: FHE 라이브러리가 제공하는 동형 계산 기능을 활용하여 암호화된 데이터에 대해 다양한 계산 작업을 수행합니다. 예를 들어 덧셈, 곱셈 등을 수행합니다.
결과 복호화: 계산 결과를 확인해야 할 때, 합법적인 사용자가 개인 키를 사용하여 계산 결과를 복호화합니다.

FHE의 실천에서, 복호화 키의 관리 방안(생성, 유통 및 사용 등)은 특히 중요합니다. 암호화된 데이터의 계산 및 조작 결과가 특정 시점과 상황에서 사용을 위해 복호화되어야 하므로, 복호화 키는 원본 데이터와 가공 데이터의 안전성과 완전성을 보장하는 핵심이 됩니다. 복호화 키 관리에 관한 방안은 실제로 전통적인 키 관리와 많은 유사점을 가지고 있지만, FHE의 특수성을 고려하여 더 엄격하고 세밀한 전략을 설계할 수 있습니다.

블록체인에 대해 말하자면, 그 탈중앙화, 투명성 및 변조 불가능성과 같은 특성 덕분에, 임계값 다자 안전 계산 방안(Threshold Multi-Party Computation, TMPC)을 도입하는 것은 매우 유망한 선택입니다. 이 방안은 여러 참여자가 복호화 키를 공동으로 관리하고 제시된 임계값 수(즉, 참여자 수)에 도달해야만 데이터를 성공적으로 복호화할 수 있도록 합니다. 이렇게 하면 키 관리의 안전성을 높일 수 있을 뿐만 아니라 단일 노드가 공격받을 위험을 줄여 FHE가 블록체인 환경에서 응용될 수 있는 강력한 보장을 제공합니다.

기초를 다지는 fhEVM

최소한의 침입성 관점에서 FHE를 블록체인에 적용하는 가장 이상적인 방법은 이를 범용 스마트 계약 코드 라이브러리로 패키징하여 경량성과 유연성을 보장하는 것입니다. 그러나 이 방안의 전제는 스마트 계약 가상 머신이 FHE에 필요한 복잡한 수학 연산 및 암호화 작업에 대한 특정 명령어 집합을 사전에 지원해야 한다는 것입니다. 만약 가상 머신이 이러한 요구를 충족하지 못한다면, FHE 알고리즘의 요구에 맞게 가상 머신의 핵심 아키텍처를 깊이 있게 맞춤화하고 수정해야 하며, 이를 통해 원활한 통합을 실현해야 합니다.

광범위하게 채택되고 오랜 시간 검증된 가상 머신인 EVM은 자연스럽게 FHE를 구현하는 데 있어 최선의 선택이 되었습니다. 그러나 이 분야의 실천자는 드물며, 그 중에서도 우리는 다시 한 번 오픈 소스 TFHE의 자마 회사를 주목하게 됩니다. 자마는 기본 TFHE 라이브러리 외에도 FHE 기술을 인공지능 및 블록체인 분야에 적용하는 데 중점을 둔 기술 회사로서, 두 가지 중요한 오픈 소스 제품인 Concrete ML과 fhEVM을 출시했습니다. Concrete ML은 머신 러닝 개인 정보 계산에 중점을 두고 있습니다. Concrete ML을 통해 데이터 과학자와 ML 종사자는 개인 정보를 보호하면서 민감한 데이터에 대한 머신 러닝 모델의 훈련 및 추론을 수행할 수 있어 데이터 자원을 최대한 활용하면서 개인 정보 유출에 대한 걱정 없이 작업할 수 있습니다. 또 다른 제품인 fhEVM은 Solidity를 지원하여 개인 정보 계산을 위한 전동 동형 EVM입니다. fhEVM은 개발자가 이더리움 스마트 계약에서 전동 동형 암호화 기술을 사용하여 개인 정보 보호 및 안전한 계산을 실현할 수 있도록 합니다.

fhEVM의 자료를 통해 우리는 fhEVM의 핵심 특성이 다음과 같다는 것을 알게 되었습니다:

fhEVM: 비EVM 바이트코드 레벨에서 내장 함수 형태로, 자마 오픈 소스 FHE 라이브러리의 여러 다른 상태의 프리컴파일 계약을 통합하여 FHE 작업 지원을 제공합니다. 또한 FHE를 위해 특별히 설계된 EVM 메모리 및 저장 영역을 마련하여 FHE의 암호문을 저장, 읽기 및 검증하는 데 사용합니다.
분산 임계값 프로토콜 기반의 복호화 메커니즘: 여러 사용자와 여러 계약 간의 혼합 암호화 데이터의 전역 FHE 키와 체인 상에 저장된 암호화 키, 여러 검증자 간의 임계값 다자 안전 계산 방안을 통해 복호화 키를 공유하는 비동기 암호화 메커니즘을 지원합니다.
개발자의 사용 장벽을 낮추는 Solidity 계약 라이브러리: FHE의 암호화 데이터 유형, 작업 유형, 복호화 호출 및 암호화 출력 등을 설계했습니다.

자마의 fhEVM은 블록체인 응용에서 FHE 기술에 대한 견고한 출발점을 제공하지만, 자마가 주로 기술 연구 개발에 중점을 두고 있기 때문에 그 해결책은 기술적 측면에 더 치중되어 있으며, 엔지니어링 실현 및 상업적 응용에 대한 고민은 상대적으로 적습니다. 따라서 fhEVM이 실제 응용으로 나아가는 과정에서 기술 장벽 및 성능 최적화와 같은 다양한 예기치 않은 도전에 직면할 수 있습니다.

생태계를 구축하는 FHE-Rollups

단순한 fhEVM 자체는 독립적인 프로젝트나 완전한 생태계를 구성할 수 없으며, 이더리움 생태계의 다양한 클라이언트 중 하나에 가깝습니다. 독립 프로젝트로 자리 잡기 위해서는 fhEVM이 공공 체인 수준의 아키텍처에 의존하거나 Layer2/Layer3 솔루션을 채택해야 합니다. FHE 공공 체인의 발전 방향은 불가피하게 FHE 계산 자원의 분산 검증자 노드 간의 중복 및 낭비를 줄이는 방법을 해결해야 합니다. 반대로, 본래 공공 체인 실행 레이어로 존재하는 Layer2 / Layer3 솔루션은 계산 작업을 소수의 노드에 분배하여 계산 비용의 수량급을 크게 줄일 수 있습니다. 이러한 이유로, Fhenix는 선구자로서 fhEVM과 롤업 기술을 결합하여 진보된 FHE-Rollups형 Layer2 솔루션을 구축하는 것을 적극적으로 탐색하고 있습니다.

ZK 롤업 기술이 복잡한 ZKP 메커니즘과 관련이 있으며, 검증에 필요한 증명을 생성하기 위해 막대한 계산 자원이 필요하다는 점을 고려할 때, ZK 롤업 기반의 FHE-Rollups 솔루션을 직접 구현하는 것은 많은 도전에 직면할 것입니다. 따라서 현재 단계에서는 ZK 롤업보다 Optimistic 롤업 솔루션을 Fhenix의 기술 선택으로 채택하는 것이 더 실용적이고 효율적일 것입니다.

Fhenix의 기술 스택은 다음과 같은 몇 가지 핵심 구성 요소를 포함합니다: Arbitrum Nitro의 사기 증명 변형으로, WebAssembly에서 사기 증명을 수행할 수 있어 FHE 논리를 먼저 WebAssembly로 컴파일하여 안전하게 실행할 수 있습니다. 핵심 라이브러리 fheOS는 FHE 논리를 스마트 계약에 통합하는 데 필요한 모든 기능을 제공합니다. 임계값 서비스 네트워크(TSN)는 또 다른 중요한 구성 요소로, 비밀 공유 네트워크 키를 호스팅하며, 특정 알고리즘의 비밀 공유 기술을 사용하여 이를 여러 조각으로 나누어 안전성을 보장하고 필요할 때 데이터를 복호화하는 등의 작업을 담당합니다.

위의 기술 스택을 기반으로 Fhenix는 첫 번째 공개 버전인 Fhenix Frontier를 출시했습니다. 비록 많은 제한과 기능 결핍이 있는 초기 버전이지만, 이는 이미 스마트 계약 코드 라이브러리, Solidity API, 계약 개발 도구 체인(예: Hardhat/Remix), 프론트엔드 상호작용 JavaScript 라이브러리 등의 사용 설명서를 전방위적으로 제공하고 있습니다. 이에 관심이 있는 개발자와 생태계 프로젝트 팀은 공식 문서를 참고하여 탐색할 수 있습니다.

Chain-Agnostic FHE Coprocessors

FHE-Rollups를 기반으로 Fhenix는 Relay 모듈을巧妙하게 도입하여 다양한 공공 체인, L2 및 L3 네트워크가 FHE Coprocessors를 통해 FHE 기능을 사용할 수 있도록 합니다. 이는 원래의 호스트 체인이 FHE를 지원하지 않더라도 이제 FHE의 강력한 기능을 간접적으로 누릴 수 있음을 의미합니다. 그러나 FHE-Rollups의 증명 도전 기간이 일반적으로 7일에 달하기 때문에 이는 FHE의 광범위한 응용을 제한하는 요인이 됩니다. 이러한 도전을 극복하기 위해 Fhenix는 EigenLayer와 협력하여 EigenLayer의 Restaking 메커니즘을 통해 FHE Coprocessors의 서비스에 더 빠르고 편리한 경로를 제공하여 전체 FHE Coprocessors의 효율성과 유연성을 크게 향상시켰습니다.

FHE Coprocessors의 사용 흐름은 간단명료합니다:

애플리케이션 계약이 호스트 체인에서 FHE Coprocessor를 호출하여 암호화 계산 작업을 수행합니다.
Relay 계약이 요청을 대기합니다.
Relay 노드가 Relay 계약을 모니터링하고 호출을 전용 Fhenix 롤업으로 전달합니다.
FHE 롤업이 FHE 계산 작업을 수행합니다.
임계값 네트워크가 출력을 복호화합니다.
Relay 노드가 결과와 낙관적 증명을 계약에 반환합니다.
계약이 낙관적 증명을 검증하고 결과를 호출자에게 전송합니다.
애플리케이션 계약이 호출 결과를 결합하여 계약을 계속 실행합니다.

Fhenix 참여 가이드

당신이 개발자라면, Fhenix의 자료 문서를 깊이 연구하고 이 문서를 기반으로 자신만의 FHE형 응용 프로그램을 개발하여 실제 응용에서의 잠재력을 탐색해 보세요.

당신이 사용자라면, Fhenix의 FHE-Rollups가 제공하는 dApps를 경험해 보며 FHE가 가져오는 데이터 보안성과 개인 정보 보호를 느껴보세요.

당신이 연구자라면, Fhenix의 자료 문서를 주의 깊게 읽고 FHE의 원리, 기술 세부 사항 및 응용 전망을 깊이 이해하여 연구 분야에서 더 가치 있는 기여를 할 수 있도록 하세요.

FHE 최적의 응용 시나리오

FHE 기술은 광범위한 응용 전망을 보여주며, 특히 전 체인 게임, DeFi 및 AI 분야에서 우리는 이들 분야에서 큰 발전 잠재력과 넓은 응용 공간을 가지고 있다고 확신합니다:

개인 정보 보호를 위한 전 체인 게임: FHE 기술은 게임 경제체 내의 금융 거래 및 플레이어 작업에 강력한 암호화 보장을 제공하여 실시간 조작 행위를 효과적으로 방지하고 게임의 공정성과 정의를 보장합니다. 동시에 FHE는 플레이어의 활동을 익명화하여 플레이어의 금융 자산과 개인 정보 유출 위험을 크게 줄여 플레이어의 개인 정보 안전을 전방위적으로 보호합니다.
DeFi/MEV: DeFi 활동이 활발히 진행됨에 따라 많은 DeFi 작업이 어두운 숲에서 MEV 공격의 목표가 되었습니다. 이러한 도전을 해결하기 위해 FHE는 비즈니스 논리 계산 처리를 보장하면서 DeFi에서 공개하고 싶지 않은 민감한 데이터(예: 보유 수량, 청산선, 거래 슬리피지 등)를 효과적으로 보호할 수 있습니다. FHE를 적용함으로써 체인 상 DeFi의 건강 상태는 크게 개선될 수 있으며, 불량 MEV 행동의 발생 빈도를 크게 줄일 수 있습니다.
AI: AI 모델의 훈련은 데이터 세트에 의존하며, 개인 데이터를 사용하여 훈련할 때 개인 민감 데이터의 안전을 보장하는 것이 최우선 과제가 됩니다. 이를 위해 FHE 기술은 AI 모델 훈련에서 개인의 민감 데이터를 처리할 수 있는 이상적인 솔루션이 됩니다. 이는 AI가 암호화된 데이터에서 처리할 수 있도록 하여 개인 민감 정보를 유출하지 않고도 훈련 과정을 완료할 수 있게 합니다.

FHE의 커뮤니티 인지도

기술의 발전은 그 하드코어 특성만으로 이루어지지 않습니다. 기술의 성숙과 지속적인 발전을 이루기 위해서는 지속적으로 개선되는 학술 연구와 적극적으로 구축되는 커뮤니티의 힘이 필요합니다. 이 점에서 FHE는 암호학계의 성배로 불리며, 그 잠재력과 가치는 이미 널리 인정받고 있습니다. 2020년, 비탈릭 부테린은 "Exploring Fully Homomorphic Encryption"이라는 글에서 FHE 기술에 대해 높은 평가와 지지를 보냈습니다. 최근 그는 소셜 미디어에서 다시 발언하며 이 입장을 강화하고 FHE 기술 발전을 위한 더 많은 자원과 힘을 요청했습니다. 이에 상응하여, 지속적으로 등장하는 새로운 프로젝트, 비영리 연구 및 교육 조직, 그리고 지속적으로 유입되는 시장 자금은 모두 기술 폭발의 서곡이 곧 시작될 것임을 예고하는 것 같습니다.

잠재력 있는 FHE 초기 생태계

FHE 생태계 발전 초기에는 핵심 기반 기술 서비스 회사인 자마와 주목받는 Fhenix라는 우수 프로젝트 외에도 여러 뛰어난 프로젝트들이 있으며, 이들 또한 깊이 이해하고 주목할 가치가 있습니다:

Sunscreen: 자가 개발한 FHE 컴파일러를 통해 전통 프로그래밍 언어의 FHE 변환을 지원하며, 해당 FHE 암호문을 분산 저장하기 위한 설계를 하고, 마지막으로 SDK 형태로 Web3 응용에 FHE 특성을 출력합니다.
Mind Network: EigenLayer의 Restaking 메커니즘을 결합하여 AI 및 DePIN 네트워크의 보안을 확장하기 위한 FHE 네트워크입니다.
PADO Labs: ZKP와 FHE를 결합한 zkFHE를 출시하고, 이를 기반으로 한 분산 계산 네트워크를 구축합니다.
Arcium: 이전에는 솔라나의 개인 정보 보호 프로토콜 Elusiv로, 최근 FHE를 결합한 병렬 비밀 계산 네트워크로 전환되었습니다.
Inco Network: 자마의 fhEVM을 기반으로 하여 FHE의 계산 비용과 효율성을 최적화하고, 완전한 생태계를 발전시키는 Layer1입니다.
Treat: Shiba 팀과 자마가 협력하여 Shiba 생태계를 확장하는 FHE Layer3를 구축합니다.
octra: OCaml, AST, ReasonML 및 C++를 기반으로 개발된 격리 실행 환경을 지원하는 FHE 네트워크입니다.
BasedAI: LLM 모델에 FHE 기능을 도입하는 분산 네트워크를 지원합니다.
Encifher: 이전에는 BananaHQ였으며 현재 Rize Labs로 이름을 변경하여 FHEML을 중심으로 활동하고 있습니다.
Privasea: NuLink 핵심 팀이 구축한 FHE 네트워크로, 자마의 Concrete ML 프레임워크를 사용하여 AI 분야의 ML 추론 과정에서 데이터 개인 정보 보호를 실현하는 것을 목표로 합니다.

비영리 연구 및 교육 기관으로는 FHE.org와 FHE Onchain을 강력히 추천합니다. 이들은 전체 생태계의 학술 연구와 교육 보급에 귀중한 자원을 제공합니다.

분량이 제한되어 있어 FHE 생태계 내 모든 우수 프로젝트를 일일이 나열하지는 못했습니다. 그러나 이 생태계에는 무한한 잠재력과 기회가 담겨 있으며, 지속적으로 깊이 탐색하고 발굴할 가치가 있습니다.

결론

우리는 FHE 기술의 전망에 대해 낙관적이며, Fhenix 프로젝트에 대해 매우 높은 기대를 가지고 있습니다. Fhenix 메인넷이 출시되고 공식적으로 가동되면, 다양한 분야의 응용이 FHE 기술 덕분에 향상될 것으로 예상합니다. 우리는 이 혁신적이고 활기찬 미래가 이미 가까이에 와 있다고 확신합니다.

참고 문헌

https://zama.ai/

https://github.com/microsoft/SEAL

https://www.fhenix.io/

https://mindnetwork.xyz/

https://www.inco.org/

https://x.com/treatsforShib

https://docs.octra.org/

https://x.com/encifherio

https://www.getbased.ai/

https://www.privasea.ai/

https://x.com/fhe_org