Google Developers Korea Blog: 더 많은 데이터를 수집하지 않고도 더 많은 성과를 거둘수 있도록 지원합니다.

한국의 개발자들을 위한 Google Developers 국문 블로그입니다.

더 많은 데이터를 수집하지 않고도 더 많은 성과를 거둘수 있도록 지원합니다.

Thursday, August 1, 2019

.post-body span { white-space: normal !important; } <블로그 원문은 이곳에서 확인하실 수 있으며 블로그 번역 리뷰는 양찬석(Google) 님이 참여해 주셨습니다>
게시자: Amanda Walker(엔지니어링 디렉터), Sarvar Patel(소프트웨어 엔지니어), Moti Yung(연구원) - Private Computing
Google은 개인정보를 안전하게 보호하기 위해 끊임없이 노력합니다. 동시에 수집된 데이터로부터 중요한 통찰을 얻어내는 연구에 투자합니다. 올해 초, Google은 사용자가 웹사이트에서 입력하는 사용자 이름과 비밀번호가 이미 노출된 경우, 이를 쉽게 확인할 수 있는 Password Checkup Chrome 확장 프로그램을 출시했습니다. 이 확장 프로그램은 PSI(Private Set Intersection)로 알려진 암호화 프로토콜를 기반으로 특정 로그인 사용자 인증 정보와 Google이 안전하지 않은 것으로 파악한 40억 개 이상의 사용자 인증 정보를 비교하여 해당 사용자 이름 및 비밀번호가 안전할지 여부를 확인해 줍니다. 이때 Google을 포함한 그 누구도 실제 사용자 인증 정보는 절대 알아낼 수 없습니다.
추가로 Google은 코어 PSI 프로토콜을 강화하는 새로운 유형의 보안 MPC(Multi-Party Computation)인 Private Join and Compute의 오픈소스를 공개하고 배포할 예정입니다. 이는 여러 조직간에 기밀 데이터세트를 기반으로 작업을 하면서도 개인정보 보호의 기준을 높이는 데 도움이 될 수 있습니다.

개인정보를 안전하게 보호하는 방식으로 데이터를 이용한 협업 진행
각각의 독립적 당사자가 공유되는 식별자 집합(예: 이메일 주소)에 관해 자체적으로 고유한 정보(그중 일부는 공통된 정보임)를 보유하는 상황에서, 각 당사자가 제공하는 데이터세트를 결합함으로써 많은 중요한 연구, 비즈니스 및 사회적 문제에 답할 수 있습니다. 하지만 민감한 데이터를 사용할 때, 한 당사자가 데이터세트에 포함된 개인에 대한 어떤 정보도 알아내지 못하는 채로 어떻게 다른 당사자의 데이터에 관해 집계된 통계를 얻을 수 있을까요? Private Join and Compute가 해결에 도움을 주는 문제가 바로 정확히 이런 문제입니다.
두 당사자는 이 암호화 프로토콜을 사용하여 식별자와 관련 데이터를 암호화한 다음 조인할 수 있습니다. 그런 다음, 데이터세트에서 겹치는 부분에 대해 특정 유형의 계산을 수행하여 두 데이터세트를 모두 합쳐 유용한 데이터를 추출할 수 있습니다. 모든 입력 데이터(식별자와 관련 데이터)는 프로세스 전체에 걸쳐 완전히 암호화되고 읽을 수 없는 상태로 유지됩니다. 어떤 당사자든 원시 데이터를 드러내지도 않지만, 계산 결과를 사용하여 당면 문제에 답할 수 있습니다. 이 최종 결과만 복호화되며 집계된 통계 형태로 표현됩니다. 예를 들어 이 결과는 두 데이터세트에 모두 있는 데이터의 개수, 합계 또는 평균일 수도 있습니다.
기술에 대한 더욱 심층적인 이해 Private Join and Compute는 다음 두 가지 기본적인 암호화 기법을 결합하여 개인 데이터를 보호합니다.

PSI(Private Set Intersection)를 사용하면 두 당사자가 각자의 데이터세트를 비공개로 조인하고 공통적으로 보유한 식별자를 발견할 수 있습니다. 식별자를 단 하나도 학습하지 않고 오직 암호화된 식별자만 표시하는 변형 모델을 사용합니다.

준동형 암호화를 사용하면 암호화된 데이터에 대해 직접 어떤 유형의 계산을 수행할 수 있는데, 이 계산을 위해 먼저 해당 데이터를 암호 해독할 필요가 없으므로 원시 데이터의 개인정보가 보호됩니다. 이 프로세스 내내 개별 식별자와 값은 숨겨진 상태로 유지됩니다. 예를 들어 개인에 대한 그 어떤 정보도 학습하지 않고 공통 데이터세트에 식별자가 몇 개나 있는지 세거나 표시된 암호화된 식별자와 관련된 값의 합을 계산할 수 있습니다.

이들 기법을 결합하면 조인된 세트의 크기와 관련된 값의 통계(예: 합계) 외에는 아무 것도 드러나지 않습니다. 이 프로세스 내내 개별 항목은 임의의 키로 강력하게 암호화되고 상대방은 물론이고 다른 누구도 원시 형식의 데이터로 활용할 수 없습니다.아래 동영상을 시청하거나 전체 인포그래픽을 클릭하면 Private Join and Compute의 작동 방식을 확인할 수 있습니다.

Private Join and Compute

다자간 계산을 사용하여 실제 문제 해결 다자간 연산(MPC)은 오랜 역사를 지닌 분야이지만, 대체로 학계를 뛰어넘어 널리 채택되기까지는 넘어야 할 장애물이 많습니다. 그 중에는 실제 문제를 해결하기 위해 암호화 기법과 도구를 효과적이고도 효율적으로 맞춤화할 방법을 찾는 문제가 포함됩니다.
Google은 개인정보 보호 기술을 더욱 널리 사용할 수 있도록 하여 Google은 물론이고 다른 곳에서도 더 구체적이고 실질적인 문제에 MPC 및 암호화 기술을 적용할 수 있도록 최선을 다하고 있습니다. Google에서는 협업적 머신러닝 (Federated Learning), 사용자 보안, 집계된 광고 측정 등의 영역에서 여러 가지 잠재적 사용 사례를 탐구하고 있습니다.
아직은 가능성의 세계에 막 발을 들여놓은 것일 뿐입니다. 이 기술은 데이터에 표현되어 있는 개인에 대한 어떤 정보도 드러내지 않고, 여러 조직이 협력하는게 필수적인 다양한 분야에서 귀중한 연구를 진전시키는 데 도움이 될 수 있습니다.
예:

공공 정책 - 정부가 공립학교에 새로운 건강 프로그램(예: 점심 식단 및 체육 교과 커리큘럼 개선)을 시행하는 경우, 대상 학생의 장기적인 건강 상태에 어떤 성과가 있을까요?

다양성과 포용성 - 산업계에서 성별과 인종에 따른 임금 격차를 해소하기 위한 새로운 프로그램을 만들 때, 이 프로그램이 인구통계를 기준으로 여러 회사에 걸쳐 급여에 어떤 영향을 미칠까요?

헬스케어 - 전국적으로 환자에게 새로운 예방약을 처방할 때 해당 질병의 발병률이 감소할까요?

자동차 안전 기준 - 자동차 제조업체에서 차량에 더욱 발전된 안전 기능을 추가할 때, 자동차 사고 신고 건수가 감소할까요?

Private Join and Compute는 조직에서 수집한 데이터를 정확히 계산하고 집계된 통계로부터 유용한 통찰을 끌어낼 수 있도록 하면서도 개인정보는 안전하게 보호해 줍니다. 우리는 이 기술을 더 널리 공유함으로써 보안 컴퓨팅의 사용 사례가 확대되기 바랍니다. Private Join and Compute와 관련된 이면의 연구 및 방법론에 관해 더 자세히 알아보려면 전문을 읽고 오픈소스 코드와 문서에 액세스하시기 바랍니다. 다른 조직에서도 MPC와 암호화 기술을 발전시켜 나가면서 어떻게 개인정보를 안전하게 지키면서도 중요한 문제에 답할지, 설레는 마음으로 지켜보겠습니다.
감사의 말 제품 관리자 - Nirdhar Khazanie소프트웨어 엔지니어 - Mihaela Ion, Benjamin Kreuter, Erhan Nergiz, Quan Nguyen, Karn Seth연구원 - Mariana Raykova

Contents

Android
Community
Web/Chrome
Cloud
ML/Tensorflow

검색

Tag

AdMob
Android
App Bundle
Community
Flutter
gdg
Google Play
ML/Tensorflow

Archive

2020
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2019
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2018
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2017
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2016
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2015
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2014
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2013
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Apr
- Mar
- Feb
- Jan

2012
- Dec
- Nov
- Oct
- Sep
- Aug
- Jul
- Jun
- May
- Mar
- Feb
- Jan

2011
- Dec
- Nov

Feed

Google
Privacy
Terms