데이터 분석, AI, 제휴 학습을 위한 컨피덴셜 컴퓨팅

컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

이 문서에서는 안전한 데이터 공동작업, AI 모델 학습, 제휴 학습에 컨피덴셜 컴퓨팅을 사용하는 방법을 포함하여 컨피덴셜 컴퓨팅에 대한 일반적인 개요를 제공합니다. 이 문서에서는Google Cloud 에 있는 컨피덴셜 컴퓨팅 서비스에 관한 정보와 다양한 사용 사례의 아키텍처 참조도 제공합니다.

이 문서는 기술 경영진이 금융 서비스, 의료 등 다양한 산업에서 생성형 AI와 응용 AI를 사용한 컨피덴셜 컴퓨팅의 비즈니스 잠재력을 이해하도록 돕기 위해 작성되었습니다.

컨피덴셜 컴퓨팅이란 무엇인가요?

일반적으로 데이터 보안 관행은 암호화를 통해 저장 데이터 및 전송 중 데이터를 보호하는 데 중점을 두고 있습니다. 컨피덴셜 컴퓨팅은 실제 사용 중 데이터의 취약점을 해결하여 새로운 보호 레이어를 추가합니다. 이 기술은 민감한 정보가 처리되는 동안에도 기��로 유지되도록 하므로 데이터 보안의 중요한 격차를 해소하는 데 도움이 됩니다.

컨피덴셜 컴퓨팅 환경은 하드웨어 기반의 신����� ��� ���는 실행 환경(TEE)을 통해 사용 중 데이터 보호를 구현합니다. TEE는 프로세서 내의 보안 영역으로, 내부에 로드된 코드와 데이터의 기밀성과 무결성을 보호합니다. TEE는 민감한 작업을 위한 안전한 공간 역할을 하여 시스템이 손상되더라도 데이터 위험을 완화합니다. 기밀 컴퓨팅을 사용하면 처리 중에 데이터를 메모리에 암호화할 수 있습니다.

예를 들어 데이터 분석 및 머신러닝에 컨피덴셜 컴퓨팅을 사용하면 다음을 달성할 수 있습니다.

• 개인 정보 보호 강화: 기본 인프라 또는 계산과 관련된 당사자에게 데이터를 노출하지 않고 민감한 데이터 세트 (예: 의료 기록 또는 재무 데이터)에 대한 분석을 수행합니다.
• 안전한 공동작업: 개별 데이터를 서로 공개하지 않고 머신러닝 모델을 공동으로 학습시키거나 여러 당사자의 결합된 데이터 세트에 대한 분석을 수행할 수 있습니다. 컨피덴셜 컴퓨팅은 특히 의료 및 금융과 같은 분야에서 신뢰를 높이고 더욱 강력하고 일반화 가능한 모델을 개발할 수 있게 해줍니다.
• 데이터 보안 강화: 정보 유출 및 무단 액세스의 위험을 완화하여 개인 정보 보호법 (GDPR) 또는 건강 보험 이동성 및 책임법 (HIPAA)과 같은 데이터 보호 규정을 준수합니다.
• 신뢰와 투명성 향상: 의도한 데이터와 안전한 환경에서 계산이 수행된다는 검증 가능한 증거를 제공하여 이해 관계자의 신뢰를 높입니다.

컨피덴셜 컴퓨팅 환경의 작동 방식

컨피덴셜 컴퓨팅 환경에는 다음과 같은 속성이 있습니다.

• 런타임 암호화: 프로세서가 모든 컨피덴셜 컴퓨팅 환경 데이터를 메모리에 암호화된 상태로 유지합니다. 메모리에서 직접 기밀 컴퓨팅 환경 데이터를 읽으려고 시도하는 모든 시스템 구성요소 또는 하드웨어 공격자는 암호화된 데이터만 봅니다. 마찬가지로 암호화는 메모리에 직접 액세스하여 컨피덴셜 컴퓨팅 환경 데이터가 수정되는 것을 방지합니다.
• 격리: 프로세서가 컨피덴셜 컴퓨팅 환경에 대한 소프트웨어 기반 액세스를 차단합니다. 운영체제 및 기타 애플리케이션은 특정 인터페이스를 통해서만 컨피덴셜 컴퓨팅 환경과 통신할 수 있습니다.

• 증명: 컨피덴셜 컴퓨팅의 컨텍스트에서 증명은 컨피덴셜 컴퓨팅 환경의 신뢰성을 확인합니다. 증명을 사용하면 컨피덴셜 컴퓨팅이 데이터를 보호한다는 증거를 확인할 수 있습니다. 증명을 통해 TEE 인스턴스를 인증할 수 있기 때문입니다.

  증명 프로세스 중에 TEE를 지원하는 CPU 칩은 인스턴스 측정의 암호화 서�� 보고서 (증명 보고서라고 함)를 생성합니다. 그런 다음 측정값은 증명 서비스로 전송됩니다. 프로세스 격리를 위한 증명은 애플리케이션을 인증합니다. VM 격리를 위한 증명은 VM이나 VM을 시작하는 데 사용되는 가상 펌웨어 또는 둘 다를 인증합니다.

• 데이터 수명 주기 보안: 컨피덴셜 컴퓨팅은 사용 중 데이터에 하드웨어 지원 보호를 제공하는 안전한 처리 환경을 만듭니다.

컨피덴셜 컴퓨팅 기술

컨피덴셜 컴퓨팅을 지원하는 기술은 다음과 같습니다.

• 보안 엔클레이브(애플리케이션 기반 컨피덴셜 컴퓨팅이라고도 함)
• 컨피덴셜 VM 및 GPU(VM 기반 컨피덴셜 컴퓨팅이라고도 함)

Google Cloud 는 컨피덴셜 VM을 사용하여 컨피덴셜 컴퓨팅을 사용 설정합니다. 자세한 내용은 Google Cloud에서 컨피덴셜 컴퓨팅 구현을 참고하세요.

보안 엔클레이브

보안 엔클레이브는 하드웨어 기반 격리를 사용하거나 하이퍼바이저를 신뢰할 수 있는 컴퓨팅 기반 (TCB) 내에 배치하여 전체 VM을 격리하는 운영체제로부터 코드 및 데이터를 분리하는 컴퓨팅 환경입니다. 보안 엔클레이브는 머신 및 운영체제에 대한 물리적 또는 루트 액세스 권한이 있는 사용자도 보안 엔클레이브 메모리의 콘텐츠를 학습하거나 엔클레이브 내부의 코드 실행을 조작할 수 없도록 설계되었습니다. 보안 엔클레이브의 예로는 Intel Software Guard Extension (SGX)이 있습니다.

컨피덴셜 VM 및 컨피덴셜 GPU

컨피덴셜 VM은 하드웨어 기반 메모리 암호화를 사용하여 데이터와 애플리케이션을 보호하는 VM 유형입니다. 컨피덴셜 VM은 격리 및 증명을 제공하여 보안을 강화합니다 컨피덴셜 VM 컴퓨팅 기술에는 AMD SEV, AMD SEV-SNP, Intel TDX, Arm CCA, IBM Z, IBM LinuxONE, Nvidia Confidential GPU가 포함됩니다.

컨피덴셜 GPU는 특히 클라우드 및 공유 환경에서 데이터를 보호하고 컴퓨팅 속도를 높이는 데 도움이 됩니다. 하드웨어 기반 암호화 및 격리 기술을 사용하여 GPU에서 처리되는 동안 데이터를 보호하므로 클라우드 제공업체나 악의적인 행위자도 민감한 정보에 액세스할 수 없습니다.

기밀 데이터 분석, AI, 제휴 학습 사용 사례

다음 섹션에서는 다양한 산업의 컨피덴셜 컴퓨팅 사용 사례를 보여줍니다.

의료 및 생명과학

컨피덴셜 컴퓨팅을 사용하면 환자의 개인정보를 보호하면서 조직 전반에서 안전하게 데이터를 공유하고 분석할 수 있습니다. 의료 조직은 컨피덴셜 컴퓨팅을 사용하여 공동 연구, 질병 모델링, 신약 개발, 맞춤형 치료 계획에 참여할 수 있습니다.

다음 표에서는 의료 부문에서 컨피덴셜 컴퓨팅을 사용하는 몇 가지 예를 설명합니다.

사용 사례	설명
질병 예측 및 조기 감지	병원에서는 환자의 기밀성을 유지하면서 제휴 학습 모델을 학습시켜 의료 영상 데이터 (예: 여러 병원 또는 병원 지역의 MRI 스캔 또는 CT 스캔)를 통해 암 병변을 감지합니다.
실시간 환자 모니터링	의료 서비스 제공자는 실시간 모니터링 및 알림을 위해 웨어러블 건강 기기 및 모바일 건강 앱의 데이터를 분석합니다. 예를 들어 웨어러블 기기는 혈당 수준, 신체 활동 및 식이 습관에 관한 데이터를 수집하여 혈당 변동에 대한 맞춤 권장사항과 조기 경고를 제공합니다.
협업을 통한 신약 개발	제약 회사들은 독점 데이터 세트로 모델을 학습시켜 신약 개발을 가속화��고, 지적 재산을 보호하는 동시에 협업을 강화하고 있습니다.

금융 서비스

금융 기관은 컨피덴셜 컴퓨팅을 통해 더 안전하고 복원력이 우수한 금융 시스템을 만들 수 있습니다.

다음 표에서는 금융 서비스에서 컨피덴셜 컴퓨팅을 사용하는 몇 가지 예를 설명합니다.

사용 사례	설명
금융 범죄	금융 기관은 고객의 개인 정보를 보호하면서 의심스러운 거래에 대한 정보를 공유하여 자금 세탁 방지 (AML) 또는 일반적인 사기 모델 작업에 협력할 수 있습니다. 기관은 컨피덴셜 컴퓨팅을 사용하여 이러한 공유 데이터를 안전하게 분석하고, 복잡한 자금 세탁 계획을 보다 효과적으로 식별하고 방해하도록 모델을 학습시킬 수 있습니다.
개인 정보를 보호하는 신용 위험 평가	대출 기관은 다른 금융 기관이나 비금융 법인의 데이터를 비롯하여 광범위한 데이터 소스를 사용하여 신용 위험을 평가할 수 있습니다. 대출 기관은 컨피덴셜 컴퓨팅을 사용하여 승인되지 않은 당사자에게 데이터를 노출하지 않고도 이러한 데이터에 액세스하고 분석할 수 있으므로 데이터 개인 정보를 보호하면서 신용 점수 모델의 정확성을 높일 수 있습니다.
개인 정보 보호 가격 책정 탐색	금융 세계, 특히 일반의약품 시장이나 비유동 자산과 같은 영역에서는 정확한 가격이 중요합니다. 컨피덴셜 컴퓨팅을 사용하면 여러 기관이 민감한 정보를 서로 공개하지 않고도 공동으로 정확한 가격을 계산할 수 있습니다.

공공 부문

정부는 컨피덴셜 컴퓨팅을 통해 데이터에 대한 제어와 주권을 유지하면서 보다 투명하고 효율적이며 효과적인 서비스를 만들 수 있습니다.

다음 표에서는 공공 부문의 컨피덴셜 컴퓨팅 사용 예시를 설명합니다.

사용 사례	설명
디지털 주권	컨피덴셜 컴퓨팅을 사용하면 처리 중에도 데이터가 항상 암호화됩니다. 이를 통해 하이브리드, 퍼블릭 또는 멀티 클라우드 환경의 외부 인프라에서 호스팅되는 경우에도 데이터를 보호하여 시민 데이터를 안전하게 클라우드 마이그레이션할 수 있습니다. 컨피덴셜 컴퓨팅은 디지털 주권과 디지털 자율성을 지원하고 강화하며, 클라우드 제공업체가 암호화 키에 액세스할 수 없도록 사용 중 데이터에 대한 추가 데이터 제어 및 보호 기능을 제공합니다.
여러 기관의 기밀 분석	컨피덴셜 컴퓨팅을 사용하면 여러 정부 기관 (예: 보건, 세금, 교육) 또는 여러 지역 또는 국가의 여러 정부에서 다자간 데이터 분석을 수행할 수 있습니다. 컨피덴셜 컴퓨팅을 사용하면 데이터 분석 (데이터 손실 방지 (DLP), 대규모 분석, 정책 엔진 사용), AI 학습 및 서빙을 지원하는 동시에 신뢰 경계와 데이터 개인 정보 보호를 보장할 수 있습니다.
신뢰할 수 있는 AI	정부 데이터는 매우 중요하며 신뢰할 수 있는 방식으로 비공개 AI 모델을 학습시켜 내부 서비스와 시민 상호작용을 개선하는 데 사용할 수 있습니다. 컨피덴셜 컴퓨팅은 시민 데이터 및 모델을 비공개로 안전하게 유지하기 위해 기밀 프롬프트 또는 기밀 검색 증강 생성 (RAG) 학습을 통해 신뢰할 수 있는 AI 프레임워크를 지원합니다.

공급망

조직은 컨피덴셜 컴퓨팅을 통해 공급망과 지속 가능���을 관리하고 데이터 개인 정보를 보호하면서 협업하고 유용한 정보를 공유할 수 있습니다.

다음 표에서는 공급망에서 컨피덴셜 컴퓨팅을 사용하는 몇 가지 예를 설명합니다.

사용 사례	설명
수요 예측 및 인벤토리 최적화	컨피덴셜 컴퓨팅을 사용하는 경우 각 비즈니스는 자체 판매 및 재고 데이터를 기반으로 자체 수요 예측 모델을 학습시킵니다. 이러한 모델은 안전하게 글로벌 모델로 집계되어 공급망 전반의 수요 패턴을 보다 정확하고 종합적으로 파악할 수 있게 해줍니다.
개인 정보를 보호하는 공급업체 위험 평가	공급업체 위험 평가에 관여하는 각 조직 (예: 구매자, 금융 기관, 감사자)은 자체 데이터를 기반으로 자체 위험 평가 모델을 학습시킵니다. 이러한 모델은 개인 정보를 보호하는 포괄적인 공급업체 위험 프로필을 생성하기 위해 집계되므로 잠재적인 공급업체 위험을 조기에 식별하고 공급망 복원력을 개선하고 공급업체 선택 및 관리에서 더 나은 의사 결정을 내릴 수 있습니다.
탄소 발자국 추적 및 감축	컨피덴셜 컴퓨팅은 탄소 발자국 추적 및 감축 노력의 데이터 개인 정보 보호 및 투명성 문제를 해결하기 위한 솔루션을 제공합니다. 컨피덴셜 컴퓨팅을 사용하면 조직은 데이터의 원시 형태를 공개하지 않고 데이터를 공유하고 분석할 수 있으므로 조직은 정보에 입각한 결정을 내리고 보다 지속 가능한 미래를 위해 효과적인 조치를 취할 수 있습니다.

디지털 광고

디지털 광고는 서드 파티 쿠키에서 벗어나 개인 정보 보호 샌드박스와 같이 개인 정보를 더 안전하게 보호하는 대안으로 이동했습니다. 개인 정보 보호 샌드박스는 크로스 사이트 및 애플리케이션 추적을 제한하��서 중요한 광고 사용 사례를 지원합니다. 개인 정보 보호 샌드박스는 TEE를 사용하여 광고 회사가 사용자 데이터를 안전하게 처리하도록 합니다.

다음과 같은 디지털 광고 사용 사례에서 TEE를 사용할 수 있습니다.

• 일치 알고리즘: 데이터 세트 내에서 대응 관계 또는 관계를 찾습니다.
• 기여 분석: 영향 또는 사건을 가능한 원인과 연결합니다.
• 집계: 원시 데이터에서 요약 또는 통계를 계산합니다.

Google Cloud에서 컨피덴셜 컴퓨팅 구현

Google Cloud 에는 컨피덴셜 컴퓨팅을 사용 설정하는 다음 서비스가 포함됩니다.

• 컨피덴셜 VM: VM을 사용하는 워크로드에 사용 중인 데이터의 암호화를 사용 설정합니다.
• Confidential GKE: 컨테이너를 사용하는 워크로드에 사용 중인 데이터의 암호화를 사용 설정합니다.
• 기밀 Dataflow: 스트리밍 분석 및 머신러닝에 사용 중인 데이터의 암호화 사용 설정
• 컨피덴셜 Dataproc: 데이터 처리에 사용 중인 데이터의 암호화를 사용 설정합니다.
• Confidential Space: 공동 데이터 분석 및 머신러닝에 사용 중인 데이터의 암호화를 사용 설정합니다.

이러한 서비스를 사용하면 신뢰 경계를 줄여 기밀 데이터에 액세스할 수 있는 리소스 수를 줄일 수 있습니다. 예를 들어 컨피덴셜 컴퓨팅이 없는 Google Cloud환경에서 신뢰 경계에는Google Cloud 인프라 (하드웨어, 하이퍼바이저, 호스트 OS)와 게스트 OS가 포함됩니다. 컨피덴셜 스페이스가 없는 컨피덴셜 컴퓨팅이 포함된 Google Cloud 환경에서는 신뢰 경계에는 게스트 OS와 애플리케이션만 포함됩니다. Confidential Space가 ���는 Google Cloud환경에서 신뢰 경계는 애플리케이션 및 관련 메모리 공간입니다. 다음 표는 컨피덴셜 컴퓨팅 및 Confidential Space에서 트러스트 경계가 어떻게 축소되는지 보여줍니다.

요소	컨피덴셜 컴퓨팅을 사용하지 않고 트러스트 경계 내	컨피덴셜 컴퓨팅 사용 시 트러스트 경계 내	Confidential Space 사용 시 트러스트 경계 내
클라우드 스택 및 관리자	예	아니요	아니요
BIOS 및 펌웨어	예	아니요	아니요
호스트 OS 및 하이퍼바이저	예	아니요	아니요
VM 게스트 관리자	예	예	아니요
VM 게스트 OS	예	예	예, 측정 및 증명됨
애플리케이션	예	예	예, 측정 및 증명됨
기밀 데이터	예	예	예

Confidential Space는 VM 내에 보안 영역을 만들어 민감한 정보 및 애플리케이션에 대한 가장 높은 수준의 격리 및 보호를 제공합니다. Confidential Space의 주요 보안 이점은 다음과 같습니다.

• 심층 방어: 기존 기밀 컴퓨팅 기술 위에 보안 레이어를 추가합니다.
• 공격에 취약한 부분 감소: 게스트 OS의 잠재적 취약점으로부터 애플리케이션을 격리합니다.
• 향상된 제어: 보안 환경 내에서 액세스 및 권한에 대한 세밀한 제어 기능을 제공합니다.
• 신뢰 강화: 데이터 기밀성과 무결성을 더 보장합니다.

Confidential Space는 특히 데이터 개인 정보 보호가 무엇보다도 다자간 협업이 수반되는 규제 대상 업종이나 시나리오에서 매우 민감한 워크로드를 처리하도록 설계되었습니다.

기밀 분석, AI, 제휴 학습을 위한 아키텍처 참조

Google Cloud 에 컨피덴셜 컴퓨팅을 구현하여 다음 사용 사례를 해결할 수 있습니다.

• 기밀 분석
• 컨피덴셜 AI
• 기밀 제휴 학습

다음 섹션에서는 금융 및 의료 비즈니스의 예를 포함하여 이러한 사용 사례의 아키텍처에 대한 자세한 정보를 제공합니다.

의료 기관을 위한 컨피덴셜 분석 아키텍처

기밀 분석 아키텍처는 여러 의료 기관 (예: 제공업체, 생물의약품, 연구 기관)이 어떻게 협력하여 약물 연구를 가속화할 수 있는지 보여줍니다. 이 아키텍처는 기밀 컴퓨팅 기술을 사용하여 기밀 협업 분석을 실행하기 위한 디지털 데이터 클린룸을 만듭니다.

이 아키텍처에는 다음과 같은 이점이 있습니다.

• 향상된 통계: 공동작업 분석을 통해 의료 기관은 더 광범위한 통계를 얻고 신약 개발을 위한 TTM(time to market)을 단축할 수 있습니다.
• 데이터 개인 정보 보호: 민감한 거래 데이터는 암호화된 상태로 유지되며 다른 참여자 또는 TEE에 노출되지 않으므로 기밀성을 보장할 수 있습니다.
• 규정 준수: 이 아키텍처는 의료 기관이 데이터를 엄격하게 제어하여 데이터 보호 규정을 준수할 수 있도록 지원합니다.
• 신뢰와 협업: 이 아키텍처는 경쟁 기관 간의 안전한 공동작업을 가능하게 하여 의약품을 발견하기 위한 공동��� ���력�� ���진합니다.

다음 다이어그램은 이 아키텍처를 보여줍니다.

이 아키텍처의 주요 구성요소에는 다음이 포함됩니다.

• TEE OLAP 집계 서버: 머신러닝 모델 학습 및 추론이 발생하는 안전하고 격리된 환경입니다. TEE 내의 데이터와 코드는 기본 운영체제나 클라우드 제공업체에서도 무단 액세스로부터 보호됩니다.
• 공동작업 파트너: 참여하는 각 의료 기관에는 기관의 비공개 데이터와 TEE 사이의 중개자 역할을 하는 로컬 환경이 있습니다.
• 제공업체별로 암호화된 데이터: 각 의료 기관은 전자 의료 기록을 포함하여 암호화된 비공개 환자 데이터를 저장합니다. 이 데이터는 분석 프로세스 중에 암호화된 상태로 유지되므로 데이터 개인 정보 보호를 보장할 수 있습니다. 데이터는 개별 제공업체의 증명 클레임을 검증한 후에만 TEE로 출시됩니다.
• 애널리틱스 클라이언트: 참여 의료 기관은 자체 데이터에 대해 기밀 쿼리를 실행하여 즉각적인 통계를 얻을 수 있습니다.

금융 기관을 위한 컨피덴셜 AI 아키텍처

이 아키텍처 패턴은 금융 기관이 민감한 거래 데이터의 기밀성을 유지하기 위해 사기 라벨을 사용하는 동시에 사기 감지 모델을 공동으로 학습시킬 수 있는 방법을 보여줍니다. 이 아키텍처는 컨피덴셜 컴퓨팅 기술을 사용하여 안전한 다자간 머신러닝을 지원합니다.

이 아키텍처에는 다음과 같은 이점이 있습니다.

• 향상된 사기 감지: 협업 학습은 더 크고 다양한 데이터 세트를 사용하여 더 정확하고 효과적인 사기 감지 모델을 만듭니다.
• 데이터 개인 정보 보호: 민감한 거래 데이터는 암호화된 상태로 유지되며 다른 참여자 또는 TEE에 노출되지 않으므로 기밀성을 보장할 수 있습니다.
• 규정 준수: 이 아키텍처는 금융 기관이 데이터를 엄격하게 제어하여 데이터 보호 규정을 준수할 수 있도록 지원합니다.
• 신뢰 및 공동작업: 이 아키텍처는 경쟁 기관 간의 안전한 공동작업을 가능하게 하여 금융 사기를 근절하기 위한 공동의 노력을 촉진합니다.

다음 다이어그램은 이 아키텍처를 보여줍니다.

이 아키텍처의 주요 구성요소에는 다음이 포함됩니다.

• TEE OLAP 집계 서버: 머신러닝 모델 학습 및 추론이 발생하는 안전하고 격리된 환경입니다. TEE 내의 데이터와 코드는 기본 운영체제나 클라우드 제공업체에서도 무단 액세스로부터 보호됩니다.
• TEE 모델 학습: 글로벌 사기 기반 모델이 ML 학습을 실행하는 컨테이너로 패키징됩니다. TEE 내에서 글로벌 모델은 모든 참여 은행의 암호화된 데이터를 사용하여 추가로 학습됩니다. 학습 프로세스는 원시 데이터가 노출되지 않도록 제휴 학습 또는 안전한 다자간 계산과 같은 기술을 사용합니다.
• 공동작업자 파트너: 참여하는 각 금융 기관에는 기관의 비공개 데이터와 TEE 사이의 중개자 역할을 하는 로컬 환경이 있습니다.
• 은행별로 암호화된 데이터: 각 은행은 사기 라벨을 포함하는 암호화된 비공개 거래 데이터를 보유합니다. 이 데이터는 전체 프로세스가 진행되는 동안 암호화된 상태로 유지되어 데이터 개인 정보 보호를 보장합니다. 데이터는 개별 은행의 증명 클레임을 검증한 후에만 TEE에 제공됩니다.
• 모델 저장소: 협업 학습의 시작점 역할을 하는 선행 학습된 사기 감지 모델입니다.
• 글로벌 사기 학습 모델 및 가중치 (녹색 선으로 기호 표시): 개선된 사기 감지 모델과 학습된 가중치가 참여 은행으로 안전하게 교환됩니다. 그런 다음 이 향상된 모델을 로컬에 배포하여 ���체 트랜잭션에서 사기를 감지할 수 있습니다.

금융 기관을 위한 기밀 제휴 학습 아키텍처

제휴 학습은 엄격한 데이터 개인 정보 보호 및 데이터 주권을 중시하는 고객에게 고급 솔루션을 제공합니다. 기밀 제휴 학습 아키텍처는 AI 애플리케이션에 데이터를 사용하는 안전하고 확장 가능하며 효율적인 방법을 제공합니다. 이 아키텍처는 데이터를 단일 위치에 중앙 집중화하지 않고 데이터가 저장된 위치로 모델을 가져와 데이터 유출과 관련된 위험을 줄입니다.

이 아키텍처 패턴은 여러 금융 기관이 사기 라벨로 민감한 거래 데이터의 기밀성을 보호하면서 사기 감지 모델을 공동으로 학습시킬 수 있는 방법을 보여줍니다. 또한 제휴 학습과 컨피덴셜 컴퓨팅 기술을 사용하여 데이터 이동을 학습하지 않고도 안전한 다자간 머신러닝을 지원합니다.

이 아키텍처에는 다음과 같은 이점이 있습니다.

• 데이터 개인 정보 보호 및 보안 강화: 제휴 학습은 민감한 정보를 각 사이트에 유지하여 데이터 개인 정보 보호 및 데이터 지역을 지원합니다. 또한 금융 기관은 동형 암호화 및 개인 정보 차등 보호 필터와 같은 개인 정보 보호 기술을 사용하여 모델 가중치와 같은 전송된 데이터를 더욱 안전하게 보호할 수 있습니다.
• 정확도 및 다양성 향상: 금융 기관은 여러 클라이언트의 다양한 데이터 소스로 학습함으로써 이기종 데이터 세트를 더 잘 표현하는 강력하고 일반화 가능한 글로벌 모델을 개발할 수 있습니다.
• 확장성 및 네트워크 효율성: 에지에서 학습을 수행할 수 있으므로 기관은 제휴 학습을 전 세계로 확장할 수 있습니다. 또한 기관은 전체 데이터 세트가 아닌 모델 가중치만 전송하면 되므로 네트워크 리소스를 효율적으로 사용할 수 있습니다.

다음 다이어그램은 이 아키텍처를 보여줍니다.

이 아키텍처의 주요 구성요소에는 다음이 포함됩니다.

• TEE 클러스터의 제휴 서버: 제휴 학습 서버가 먼저 제휴 학습 클라이언트에 초기 모델을 전송하여 여러 클라이언트의 공동작업을 조정하는 안전하고 격리된 환경입니다. 클라이언트는 로컬 데이터 세트에서 학습을 수행한 다음 모델 업데이트를 제휴 학습 서버로 다시 전송하여 집계를 통해 글로벌 모델을 형성합니다.
• 제휴 학습 모델 저장소: 제휴 학습의 시작점 역할을 하는 선행 학습된 사기 감지 모델입니다.
• 로컬 애플리케이션 추론 엔진: 작업을 실행하고, 로컬 데이터 세트로 로컬 계산 및 학습을 수행하고, 안전한 집계를 위해 제휴 학습 서버에 결과를 다시 제출하는 애플리케이션입니다.
• 로컬 비공개 데이터: 각 은행은 사기 라벨을 포함하는 암호화된 비공개 트랜잭션 데이터를 보유합니다. 이 데이터는 전체 프로세스가 진행되는 동안 암호화된 상태로 유지되므로 데이터 개인 정보 보호를 보장할 수 있습니다.
• 보안 집계 프로토콜 (파란색 점선으로 기호로 표시됨): 제휴 학습 서버는 모델을 학습시키기 위해 개별 은행의 업데이트에 액세스할 필요가 없습니다. 은행 또는 사이트의 무작위 하위 집합에서 가져온 업데이트 벡터의 요소별 가중 평균만 필요합니다. 보안 집계 프로토콜을 사용하여 이러한 가중 평균을 계산하면 서버는 무작위로 선택된 이 하위 집합의 은행이 한 개 이상만 작성했다는 사실만 학습하고 어떤 은행은 작성했는지 알 수 없으므로 제휴 학습 프로세스에서 각 참가자의 개인 정보를 보호할 수 있습니다.
• 글로벌 사기 학습 모델 및 집계된 가중치 (녹�� 선으로 기호 표시): 개선된 사기 감지 모델과 학습된 가중치가 참여 은행으로 안전하게 다시 전송됩니다. 그러면 은행은 이 향상된 모델을 자체 거래에서 사기 감지를 위해 로컬에 배포할 수 있습니다.

다음 단계

• 컨피덴셜 AI: Intel은 AI의 데이터 보호 문제를 극복하려고 노력함을 읽어보세요.

• 컨피덴셜 컴퓨팅의 현재와 미래를 읽어보세요.

• 키스 모이어 (Google)의 컨피덴셜 컴퓨팅을 통한 안전한 다자간 공동작업 지원 | OC3 (YouTube)를 참고하세요.

• 자세한 내용은 컨피덴셜 컴퓨팅의 새로운 기능을 (YouTube).

• 사용 환경에 컨피덴셜 컴퓨팅 및 Confidential Space를 구현합니다.

• Google Cloud에서 컨피덴셜 컴퓨팅의 기본사항을 자세히 알아보세요.

• 비공개 생성형 AI 지원에 대해 자세히 알아보세요.

참여자

• 아룬 산타나고팔란 | 기술 및 인큐베이션 책임자 Google Cloud
• 파블로 로드리게스 | CTO실 기술 이사
• 비니트 데이브 | 기술 및 인큐베이션 책임자 Google Cloud