노현아, 이주희,

Vol. 36, No. 1, pp. 191-200, 2월. 2026
10.13089/JKIISC.2025.35.6.191, Full Text:
Keywords: privacy-preserving, homomorphic encryption, Federated learning
Abstract

연합학습은 각 노드(사용자)가 직접 학습을 수행하고 지역 모델 업데이트를 서버에 제공하여 서버가 이를 취합하는 분산형 머신러닝 기법이다. 최근 모델 업데이트를 기반으로 원본 데이터를 유추·복구하는 공격이 고도화되고 각 사용자별 데이터 분포가 동일하지 않은 Non-IID(Non-Independent and Identically Distributed) 환경에서의 전역 모델 성능 저하 문제가 대두되고 있다. 따라서 본 논문은 Non-IID 환경에서 동형 암호를 활용한 프라이버시 보호 연합학습 프레임워크 Fed-HESA(a privacy-preserving Federated learning with Homomorphic Encryption based Secure Aggregation)를 제안한다. Fed-HESA는 사용자의 지역 모델 파라미터를 동형 암호 스킴인 CKKS로 암호화하여 전송함으로써 사전 공유된 정보 이외의 모델 업데이트와 관련된 정보 유출을 방지하고 K-means clustering 기반 사용자 선택을 통해 연산 효율을 향상시켰다. Ubuntu 24.04.2 LTS 환경에서 구현 및 분석한 결과, 100 라운드 수행 후 전역 모델은 94.00~96.40%의 정확도를 달성하였다. 해당 결과는 평문 상태로 학습한 전역 모델 성능 대비 1.76% 내외의 손실을 보여주며, 평문 기반 전역 모델과 대등한 정확도를 달성함과 동시에 프라이버시 보호를 실현하였다.

Statistics
Cite this article