Privasea를 깊이 있게 해석하다, 얼굴 데이터로 NFT를 이렇게도 활용할 수 있다?

저자: 십사군

1. 서론

최근 Privasea가 시작한 얼굴 NFT 발행 프로젝트가 매우 인기를 끌고 있습니다! 처음 보기에는 간단해 보이지만, 이 프로젝트에서 사용자는 IMHUMAN(나는 인간이다)**** 모바일 애플리케이션에 자신의 얼굴을 입력하고, 자신의 얼굴 데이터를 NFT로 발행할 수 있습니다. 바로 이 *얼굴 데이터 블록체인 + NFT*의 조합이 이 프로젝트가 4월 말 출시 이후 *20W+* 이상의 NFT 발행량을 기록하게 만든 것입니다. 그 인기가 얼마나 대단한지 알 수 있습니다. 저도 궁금해졌습니다. 왜 그럴까요? 얼굴 데이터가 그렇게 큰 의미가 있을까요? 내 얼굴 정보가 도용될 수 있을까요? Privasea는 또 무엇을 하는 곳일까요? 등등, 프로젝트 자체와 프로젝트 주체인 Privasea에 대해 계속 연구해 보았습니다. 키워드: NFT, AI, FHE(전동일 암호화), DePIN

2. Web2에서 Web3로 - 인간과 기계의 대결은 결코 멈추지 않았다

먼저, 얼굴 NFT 발행 프로젝트의 목적을 해석해 보겠습니다. 만약 이 프로젝트가 단순히 얼굴 데이터를 NFT로 발행하는 것이라고 생각한다면 큰 오산입니다. 위에서 언급한 이 프로젝트의 앱 이름 IMHUMAN(나는 인간이다)가 이 문제를 잘 설명해 줍니다: 사실, 이 프로젝트는 얼굴 인식을 통해 화면 앞의 당신이 진짜 인간인지 판단하는 것을 목표로 하고 있습니다. 먼저, 우리는 왜 인간과 기계를 구별해야 할까요? Akamai가 제공한 2024Q1 보고서(부록 참조)에 따르면, 봇(자동화 프로그램으로, 사람의 HTTP 요청 등을 모방할 수 있음)이 인터넷 트래픽의 42.1%를 차지하고 있으며, 그 중 악의적인 트래픽이 전체 인터넷 트래픽의 27.5%를 차지하고 있습니다. 악의적인 봇은 중앙 집중식 서비스 제공자에게 지연 응답이나 다운타임과 같은 재앙적인 결과를 초래할 수 있으며, 이는 실제 사용자의 사용 경험에 영향을 미칩니다.

우리는 예를 들어 예매 장면을 살펴보겠습니다. 부정행위자는 여러 개의 가상 계정을 새로 만들어 예매 작업을 수행함으로써 예매 성공 확률을 크게 높일 수 있습니다. 더 나아가, 자동화 프로그램을 서비스 제공자의 데이터 센터 옆에 배치하여 거의 0의 지연으로 티켓을 구매할 수 있습니다.

일반 사용자는 이러한 고급 기술 사용자에게 거의 승산이 없습니다.

서비스 제공자도 이에 대해 몇 가지 노력을 기울이고 있습니다. 클라이언트 측에서는 Web2 환경에서 실명 인증, 행동 CAPTCHA 등 여러 방법을 도입하여 인간과 기계를 구별하고, 서버 측에서는 WAF 정책 등을 통해 특성 필터링 및 차단을 수행합니다.

그렇다면 이렇게 하면 문제가 해결될까요?

명백히 그렇지 않습니다. 부정행위로 인한 수익이 크기 때문입니다.

또한, 인간과 기계의 대결은 지속적입니다. 부정행위자와 검증자 두 역할 모두 자신의 무기를 끊임없이 업그레이드하고 있습니다.

부정행위자를 예로 들면, 최근 몇 년간 AI의 급속한 발전을 이용하여 클라이언트의 행동 CAPTCHA는 거의 모든 시각적 모델에 의해 무력화되었습니다. 심지어 AI는 사람보다 더 빠르고 정확한 인식 능력을 가지고 있습니다. 이는 검증자가 수동적으로 업그레이드해야 한다는 것을 의미하며, 초기의 사용자 행동 특성 검출(이미지 CAPTCHA)에서 점차 생물학적 특성 검출(지각 검증: 클라이언트 환경 모니터링, 장치 지문 등)로 넘어가고, 일부 고위험 작업은 생물학적 특성 검출(지문, 얼굴 인식)으로 상승할 수 있습니다.

Web3에서도 인간과 기계의 검출은 강력한 수요입니다.

일부 프로젝트 에어드랍에서 부정행위자는 여러 개의 가짜 계정을 만들어 마녀 공격을 감행할 수 있습니다. 이때 우리는 진짜 사람을 식별해야 합니다.

Web3의 금융 속성으로 인해, 일부 고위험 작업(계정 로그인, 출금, 거래, 송금 등)에서는 사용자가 단순히 진짜 사람일 뿐만 아니라 계정 소유자임을 확인해야 하며, 얼굴 인식이 최선의 선택이 됩니다. 수요는 확실하지만, 문제는 어떻게 구현할까요? 잘 알려진 바와 같이, 탈중앙화는 Web3의 본래 취지입니다. 우리가 Web3에서 얼굴 인식을 구현하는 방법에 대해 논의할 때, 실제로 더 깊은 문제는 Web3가 AI 장면에 어떻게 적응해야 하는가입니다:

• 우리는 어떻게 탈중앙화된 머신러닝 계산 네트워크를 구축해야 할까요?
• 사용자 데이터의 프라이버시가 유출되지 않도록 어떻게 보장할까요?
• 네트워크 운영을 어떻게 유지할까요?

3. Privasea AI NetWork - 프라이버시 계산 + AI의 탐색

이전 장에서 언급한 문제에 대해 Privasea는 혁신적인 해결책을 제시했습니다: Privasea는 FHE(전동일 암호화)를 기반으로 Privasea AI NetWork를 구축하여 Web3에서 AI 장면의 프라이버시 계산 문제를 해결합니다. FHE는 간단히 말해 평문과 암호문이 동일한 연산을 수행한 후 결과가 일치하도록 보장하는 암호화 기술입니다. Privasea는 전통적인 THE를 최적화하여 애플리케이션 계층, 최적화 계층, 산술 계층 및 원시 계층으로 나누어 HESea 라이브러리를 형성하여 머신러닝 장면에 적합하게 만들었습니다. 아래는 각 계층이 담당하는 기능입니다:

Privasea는 계층 구조를 통해 각 사용자의 고유한 요구를 충족하기 위해 보다 구체적이고 맞춤화된 솔루션을 제공합니다. Privasea의 최적화 포장은 주로 애플리케이션 계층과 최적화 계층에 집중되어 있으며, 다른 동형 라이브러리의 기본 솔루션과 비교할 때 이러한 맞춤형 계산은 천 배 이상의 속도를 제공합니다.

3.1 Privasea AI NetWork의 네트워크 아키텍처

Privasea AI NetWork의 아키텍처를 살펴보면:

네트워크에는 총 4가지 역할이 있습니다: 데이터 소유자, Privanetix 노드, 해독기, 결과 수신자.

1. 데이터 소유자: Privasea API를 통해 안전하게 작업 및 데이터를 제출합니다.

2. Privanetix 노드: 전체 네트워크의 핵심으로, 고급 HESea 라이브러리를 갖추고 있으며 블록체인 기반의 인센티브 메커니즘을 통합하여 안전하고 효율적인 계산을 수행하며, 기본 데이터의 프라이버시를 보호하고 계산의 완전성과 기밀성을 보장합니다.

3. 해독기: Privasea API를 통해 해독된 결과를 얻고 결과를 검증합니다.

4. 결과 수신자: 작업 결과는 데이터 소유자 및 작업 발신자가 지정한 사람에게 반환됩니다.

3.2 Privasea AI NetWork의 핵심 작업 흐름

다음은 Privasea AI NetWork의 일반적인 작업 흐름도입니다:

• STEP 1: 사용자 등록: 데이터 소유자는 필요한 신원 인증 및 권한 증명을 제공하여 프라이버시 AI 네트워크에서 등록 프로세스를 시작합니다. 이 단계는 승인된 사용자만 시스템에 접근하고 네트워크 활동에 참여할 수 있도록 보장합니다.

• STEP 2: 작업 제출: 계산 작업 및 입력 데이터를 제출하며, 데이터는 HEsea 라이브러리로 암호화된 데이터입니다. 또한 데이터 소유자는 최종 결과에 접근할 수 있는 권한 해독자와 결과 수신자를 지정합니다.

• STEP 3: 작업 할당: 네트워크에 배포된 블록체인 기반 스마트 계약은 가용성과 능력에 따라 적합한 Privanetix 노드에 계산 작업을 할당합니다. 이 동적 할당 과정은 효율적인 자원 할당과 계산 작업의 배분을 보장합니다.

• STEP 4: 암호화 계산: 지정된 Privanetix 노드는 암호화된 데이터를 수신하고 HESea 라이브러리를 사용하여 계산을 수행합니다. 이러한 계산은 민감한 데이터를 해독하지 않고도 수행할 수 있어 기밀성을 유지합니다. 계산의 완전성을 추가로 검증하기 위해 Privanetix 노드는 이러한 단계에 대해 제로 지식 증명을 생성합니다.

• STEP 5: 키 전환: 계산이 완료된 후, 지정된 Privanetix 노드는 키 전환 기술을 사용하여 최종 결과가 승인된 것임을 보장하며, 지정된 해독자만 접근할 수 있도록 합니다.

• STEP 6: 결과 검증: 계산이 완료된 후, Privanetix 노드는 암호화된 결과와 해당 제로 지식 증명을 블록체인 기반 스마트 계약으로 반환하여 향후 검증을 위해 사용합니다.

• STEP 7: 인센티브 메커니즘: Privanetix 노드의 기여를 추적하고 보상을 분배합니다.

• STEP 8: 결과 검색: 해독자는 Privasea API를 사용하여 암호화된 결과에 접근합니다. 그들의 주요 임무는 계산의 완전성을 검증하고 Privanetix 노드가 데이터 소유자의 의도에 따라 계산을 수행했는지 확인하는 것입니다.

• STEP 9: 결과 전달: 해독된 결과를 데이터 소유자가 미리 지정한 결과 수신자와 공유합니다.

Privasea AI NetWork의 핵심 작업 흐름에서 사용자에게 노출되는 것은 개방된 API로, 사용자는 입력 매개변수와 해당 결과에만 집중하면 되며, 네트워크 내부의 복잡한 연산에 대해 알 필요가 없어 과도한 정신적 부담이 없습니다. 동시에, 종단 간 암호화는 데이터 처리에 영향을 미치지 않으면서 데이터 자체가 유출되지 않도록 합니다.
PoW && PoS 이중 메커니즘 중첩 Privasea가 최근 출시한 WorkHeart NFT와 StarFuel NFT는 PoW와 PoS의 이중 메커니즘을 통해 네트워크 노드 관리 및 보상 분배를 수행합니다. WorkHeart NFT를 구매하면 Privanetix 노드가 되어 네트워크 계산에 참여할 수 있는 자격을 얻습니다. PoW 메커니즘을 기반으로 토큰 수익을 얻습니다. StarFuel NFT는 노드 증대기(한정 5000개)로, WorkHeart와 조합할 수 있으며, PoS와 유사하게 스테이킹한 토큰 수가 많을수록 WorkHeart 노드의 수익 배율이 커집니다. 그렇다면 왜 PoW와 PoS인가요? 사실 이 질문은 비교적 쉽게 답할 수 있습니다. PoW의 본질은 연산의 시간 비용을 통해 노드의 악의적 행동 비율을 낮추고 네트워크의 안정성을 유지하는 것입니다. BTC의 무작위 수 검증에서 발생하는 많은 무효 계산과는 달리, 이 프라이버시 계산 네트워크 노드의 실제 작업 산출(연산)은 작업량 메커니즘과 직접 연결될 수 있어 자연스럽게 PoW에 적합합니다. 반면 PoS는 경제 자원을 더 쉽게 균형 잡을 수 있습니다. 이렇게 되면 WorkHeart NFT는 PoW 메커니즘을 통해 수익을 얻고, StarFuel NFT는 PoS 메커니즘을 통해 수익 배율을 높여 다층적이고 다양한 인센티브 메커니즘을 형성하여 사용자가 자신의 자원과 전략에 따라 적합한 참여 방식을 선택할 수 있도록 합니다. 두 가지 메커니즘의 결합은 수익 분배 구조를 최적화하고 네트워크 내에서 계산 자원과 경제 자원의 중요성을 균형 있게 유지할 수 있습니다.

3.3 요약

이로 인해 Privasea AI NetWork는 FHE를 기반으로 암호화된 머신러닝 시스템을 구축했습니다. FHE 프라이버시 계산의 특성 덕분에 계산 작업을 분산 환경의 각 연산 노드(Privanetix)로 분할하고, ZKP를 통해 결과의 유효성을 검증하며, PoW와 PoS의 이중 메커니즘을 통해 연산 결과를 제공하는 노드에 보상 또는 처벌을 부여하여 네트워크의 운영을 유지합니다. Privasea AI NetWork의 설계는 다양한 분야의 프라이버시 보호 AI 응용 프로그램을 위한 길을 열어주고 있다고 할 수 있습니다.

4. FHE 동형 암호화 - 새로운 암호학의 성배?

지난 장에서 우리는 Privasea AI NetWork의 보안성이 그 기반인 FHE에 의존하고 있음을 알 수 있었습니다. FHE 분야의 선두주자인 ZAMA가 기술적으로 지속적으로 돌파구를 마련함에 따라, FHE는 투자자들에 의해 새로운 암호학의 성배라는 칭호를 얻기도 했습니다. 이제 이를 ZKP 및 관련 솔루션과 비교해 보겠습니다.

비교해 보면, ZKP와 FHE의 적용 장면이 상당히 다르며, FHE는 프라이버시 계산에 중점을 두고 ZKP는 프라이버시 검증에 중점을 둡니다. SMC는 FHE와 더 큰 중복성을 가진 것으로 보이며, SMC의 개념은 안전한 공동 계산으로, 공동 계산의 컴퓨터 개체의 데이터 프라이버시 문제를 해결합니다.

5. FHE의 한계

FHE는 데이터 처리 권한과 데이터 소유권의 분리를 실현하여 계산에 영향을 미치지 않으면서 데이터 유출을 방지합니다. 그러나 동시에 희생되는 것은 연산 속도입니다. 암호화는 양날의 검과 같아서 보안성을 높이는 동시에 연산 속도를 크게 저하시킵니다. 최근 몇 년간 다양한 유형의 FHE 성능 향상 방안이 제안되었으며, 일부는 알고리즘 최적화에 기반하고, 일부는 하드웨어 가속에 의존합니다.

• 알고리즘 최적화 측면에서, 새로운 FHE 솔루션인 CKKS와 최적화된 부트스트랩 방법은 노이즈 증가와 계산 오버헤드를 크게 줄였습니다.
• 하드웨어 가속 측면에서, 맞춤형 GPU, FPGA 등의 하드웨어는 다항식 연산 성능을 크게 향상시켰습니다.

또한, 혼합 암호화 솔루션의 적용도 탐색 중에 있으며, 부분 동형 암호화(PHE)와 검색 암호화(SE)를 결합하여 특정 장면에서 효율성을 높일 수 있습니다. 그럼에도 불구하고, FHE는 성능 면에서 평문 계산과 여전히 큰 차이가 있습니다.

6. 결론

Privasea는 그 독특한 아키텍처와 상대적으로 효율적인 프라이버시 계산 기술을 통해 사용자에게 높은 보안의 데이터 처리 환경을 제공할 뿐만 아니라 Web3와 AI의 깊은 융합의 새로운 장을 열었습니다. 비록 그 기반이 되는 FHE가 본래의 연산 속도에서 열세를 가지고 있지만, Privasea는 최근 ZAMA와 협력하여 프라이버시 계산의 난제를 함께 해결하고 있습니다. 앞으로 기술의 지속적인 돌파구를 통해 Privasea는 더 많은 분야에서 잠재력을 발휘하고 프라이버시 계산 및 AI 응용 프로그램의 탐색자가 될 것으로 기대됩니다.