DisAgg: 연합 학습 (Federated Learning)에서의 효율적인 보안 집계 (Secure Aggregation)를 위한 분산
요약
DisAgg는 연합 학습(Federated Learning) 환경에서 효율적인 보안 집계(Secure Aggregation)를 위한 새로운 분산 프로토콜입니다. 기존의 방식들이 높은 통신 및 계산 오버헤드를 가졌던 문제를 해결하기 위해, DisAgg는 소수의 클라이언트 위원회(Aggregators)를 활용하여 집계를 수행합니다. 이 프로토콜은 로컬 마스킹과 동형 암호 같은 복잡한 과정을 제거함으로써 프라이버시를 유지하면서도 엔드포인트 계산량을 크게 줄여, 기존 최상위 프로토콜 대비 월등히 빠른 처리 속도를 제공합니다.
핵심 포인트
- DisAgg는 연합 학습의 보안 집계 문제를 해결하는 새로운 분산 프로토콜이다.
- 소수의 클라이언트 위원회(Aggregators)를 활용하여 중앙 서버에 대한 의존성을 줄인다.
- 로컬 마스킹 및 동형 암호와 같은 복잡한 과정을 제거하여 계산 오버헤드를 낮춘다.
- 기존 최상위 프로토콜인 OPA 대비 4.6배 빠른 처리 속도를 보여 통신 및 계산 비용의 최적 트레이드오프를 달성한다.
연합 학습 (Federated Learning)은 분산된 클라이언트 간의 협력적인 모델 학습을 가능하게 하지만, 일반적인 (vanilla) FL은 클라이언트의 업데이트를 중앙 서버에 노출합니다. 보안 집계 (Secure-aggregation) 방식은 정직하지만 호기심 많은 (honest-but-curious) 서버로부터 프라이버시를 보호하지만, 기존 방식들은 종종 많은 통신 라운드, 무거운 공개 키 (public-key) 연산, 또는 클라이언트 탈락 (dropout) 처리의 어려움을 겪습니다. One-Shot Private Aggregation (OPA)와 같은 최근 방법들은 FL 반복당 서버와의 상호작용을 단 한 번의 라운드로 줄였지만, 서버와 클라이언트 모두에게 상당한 암호학적 및 계산적 오버헤드를 부과합니다. 우리는 Aggregators라고 불리는 소수의 클라이언트 위원회를 활용하여 집계 자체를 수행하는 DisAgg라는 새로운 프로토콜을 제안합니다. 각 클라이언트는 자신의 업데이트 벡터를 Aggregators에게 비밀 공유 (secret-share)하며, Aggregators는 로컬에서 부분 합 (partial sums)을 계산하고 서버 측 재구성을 위해 집계된 쉐어 (aggregated shares)만을 반환합니다. 이러한 설계는 로컬 마스킹 (local masking)과 비용이 많이 드는 동형 암호 (homomorphic encryption)를 제거하여, 호기심 많은 서버와 제한된 비율의 공모하는 클라이언트들에 맞서 프라이버시를 유지하면서도 엔드포인트 계산량을 줄입니다. 통신 비용과 계산 비용 사이의 최적의 트레이드오프 (trade-off)를 활용함으로써, DisAgg는 10만 명의 5G 클라이언트로부터 오는 10만 차원 업데이트 벡터를 이전의 최상 프로토콜이었던 OPA 대비 4.6배 빠른 속도로 처리합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기