Skip to content
←

필사 모드: 동형암호 컴파일러 HEIR과 비용이라는 조건 — 발표문에 없는 숫자를 댓글이 채운 사례

한국어
0%
정확도 0%
💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

이 글은 2026-08-15에 Hacker News API와 GeekNews 피드에서 직접 확인한 항목을 바탕으로 합니다. 점수와 순위는 계속 바뀝니다.

무엇이 올라와 있었나

Hacker News API로 확인한 항목입니다. 제목은 Google is making private AI practical with homomorphic encryption, 아이템 번호는 49300314이고 2026-08-15 기준 234점에 댓글 143개입니다. 링크는 Google 보안 블로그의 글입니다.

발표문이 소개하는 것은 HEIR이라는 오픈소스 컴파일러 툴체인이자 개발 플랫폼입니다. 이름 자체가 동형암호용 중간 표현이라는 뜻이고, 학습이 끝난 모델을 암호문 위에서 동작하도록 변환해 준다고 적혀 있습니다.

뉴스는 암호가 아니라 컴파일러입니다

동형암호 자체는 새롭지 않습니다. 암호문 위에서 덧셈과 곱셈을 하고 결과를 암호문으로 돌려주는 방식은 오래전부터 알려져 있었습니다. 그런데 배포 사례가 드문 이유는 수학이 부족해서가 아니었습니다.

실제 장벽은 파라미터 선택입니다. 동형암호에서는 연산을 거듭할수록 잡음이 쌓이고, 그 잡음이 허용치를 넘으면 복호화 결과가 무너집니다. 그래서 회로를 설계할 때 잡음 예산을 계산하고, 어디에서 부트스트래핑을 해서 예산을 되돌릴지 정하고, 여러 값을 하나의 암호문 슬롯에 어떻게 나눠 담을지 결정해야 합니다.

이 결정들은 서로 얽혀 있습니다. 패킹을 바꾸면 필요한 회전 연산이 바뀌고, 그러면 잡음 증가율이 바뀌고, 그러면 부트스트래핑 위치가 바뀝니다. 그리고 하나라도 틀리면 결과가 조용히 망가집니다. 이 작업을 손으로 할 수 있는 사람이 세상에 많지 않았고, 그것이 이 기술이 논문에 머물러 온 실질적 이유였습니다.

발표문이 말하는 HEIR의 의의가 정확히 이 지점입니다. 이 결정들을 컴파일러 패스로 옮긴다는 것이고, 그래서 암호 전문가가 매번 붙지 않아도 된다는 것입니다. 중간 표현을 두는 이유도 여기 있습니다. 여러 백엔드와 여러 암호 방식에 대해 같은 최적화를 재사용하려는 구조입니다.

이것은 익숙한 이야기입니다. 어떤 기술이 널리 쓰이게 되는 계기는 대개 그 기술 자체의 개선이 아니라 그것을 쓰는 데 필요한 전문성을 도구가 흡수한 시점입니다.

발표문이 말하지 않은 숫자

그런데 이 발표문에는 결정적인 빈칸이 있습니다. 오버헤드 수치가 하나도 없습니다.

단일 스레드 CPU에서의 지연 측정을 언급하기는 하는데 구체적인 시간도 배수도 나오지 않습니다. 대신 동형암호에 사소하지 않은 비용 오버헤드가 있다고 인정하면서, 그것이 역량과 프라이버시의 맞바꿈을 비용의 문제로 바꾼다는 취지로 서술합니다.

이 표현은 틀린 말은 아니지만, 비용의 문제라고 말하면서 그 비용이 얼마인지 말하지 않으면 독자는 판단할 수 없습니다.

댓글이 그 빈칸을 채웠습니다

이 항목에서 가장 정보량이 큰 부분은 댓글이었고, 여러 명이 자기 배경을 밝히며 숫자를 제시했습니다.

프라이버시 보존 기계학습으로 석사 논문을 쓰고 있다는 댓글은 동형암호를 비롯한 이 계열 기법들이 추론 작업에서 대략 1,000배 수준의 오버헤드를 갖는다고 적었고, 그래서 상업적으로 성립하기 어렵다고 했습니다. 다른 댓글도 1,000배가 넘는 자원 사용을 언급했습니다. 또 다른 댓글은 기본 연산조차 수천 배 복잡한 것으로 알고 있다며 그 사이에 큰 진전이 있었는지 물었습니다.

이 분야로 논문을 두 편 냈다는 댓글은 대형 업체들이 쓸 만한 도구를 내놓는 것은 반갑지만 상업적 실용성까지는 아직 멀다고 정리했습니다. 20년 전 이 분야를 조사했다는 댓글은 당시 결론이 암호문 팽창이 가장 큰 병목이라는 것이었다고 회고했습니다. 이 지적은 지금도 유효한데, 연산 시간만 보고 저장과 전송 비용을 빠뜨리는 경우가 많기 때문입니다.

그렇다면 어디에 적용되는가

발표문에 실린 네 가지 시연 사례를 위 숫자와 겹쳐 보면 적용 조건이 선명해집니다. 사례는 딥러닝 추천 시스템, 신용카드 부정 거래 탐지, Kitsune 기반 네트워크 침입 탐지, 그리고 오디오 프라이버시를 위한 호출어 탐지입니다.

이 넷의 공통점이 있습니다.

  • 모델이 작습니다. 부정 거래 탐지나 호출어 탐지는 파라미터가 큰 모델이 아닙니다. 1,000배 오버헤드는 원래 비용이 작을 때만 감당됩니다.
  • 입력이 작고 출력이 더 작습니다. 대개 특징 벡터가 들어가고 점수 하나 또는 레이블 하나가 나옵니다. 암호문 팽창의 영향이 제한됩니다.
  • 연산 깊이가 얕습니다. 층이 얕으면 잡음이 덜 쌓이고 부트스트래핑을 적게 하거나 아예 피할 수 있습니다.
  • 데이터가 민감하고 지연에 여유가 있습니다. 몇백 밀리초가 몇 초가 되어도 서비스가 성립하는 종류입니다.

여기서 뒤집으면 적용되지 않는 곳도 바로 나옵니다. 대형 언어 모델 추론은 이 네 조건을 전부 어깁니다. 모델이 크고, 입력과 출력이 길고, 층이 깊고, 사용자가 응답을 기다립니다. 이 발표문을 읽고 프롬프트를 암호화한 채로 모델을 돌릴 수 있게 됐다고 이해하면 안 됩니다. 발표문도 그런 주장을 하지 않습니다.

어떻게 적용하나

지금 이 기술을 검토할 만한 상황인지 판단하는 기준은 단순합니다. 여러분의 워크로드에서 서버가 평문을 보지 못하게 만드는 것의 가치가 1,000배의 계산 비용보다 큰가.

이 질문이 참이 되는 경우는 생각보다 있습니다. 여러 기관이 데이터를 합쳐야 하는데 규제 때문에 원본을 넘길 수 없는 경우, 서비스 제공자가 데이터를 볼 수 없다는 것 자체가 제품의 판매 조건인 경우, 감사 대상이라 접근 자체를 기술적으로 차단해야 하는 경우입니다. 이런 자리에서는 오버헤드가 협상 가능한 항목이 됩니다.

그리고 검토한다면 순서가 있습니다. 먼저 더 싼 대안을 배제해야 합니다. 기기 내부에서 추론하기, 서버에 보내기 전에 특징만 추출하기, 신뢰 실행 환경 쓰기, 차등 프라이버시로 집계만 공개하기가 모두 훨씬 쌉니다. 댓글에서도 가장 사적인 추론은 자기 하드웨어에서 도는 것이라는 지적이 나왔는데, 이것은 비아냥이 아니라 실제로 첫 번째로 검토할 선택지입니다. 이 갈래는 기기 내 AI와 엣지 추론의 프라이버시에서 다뤘습니다.

그 대안들이 모두 성립하지 않을 때, 즉 계산은 반드시 서버에서 해야 하고 서버는 절대 내용을 보면 안 될 때, 그때가 동형암호가 유일한 답이 되는 자리입니다.

누구에게는 해당 없는가

일반적인 웹 서비스에서 저장 데이터 암호화와 전송 구간 암호화를 하고 있는 조직이라면 이 기술은 지금 필요하지 않습니다. 그 두 가지는 서버가 데이터를 볼 수 있다는 전제 위에서 다른 위협을 막는 것이고, 대부분의 규제 요구는 거기서 충족됩니다.

성능이 제품의 핵심인 서비스도 해당이 없습니다. 1,000배는 튜닝으로 메울 수 있는 격차가 아닙니다.

암호 이행 계획을 세우는 팀이라면 이것과 양자 내성 암호로의 전환은 별개의 작업이라는 점을 분명히 해야 합니다. 후자는 기한이 있는 마이그레이션이고 전자는 아직 선택적 역량입니다. 그 구분은 양자 내성 암호 전환에서 다룬 내용과 함께 보면 좋습니다.

정리

이 발표에서 실제로 진전된 것은 암호 성능이 아니라 접근성입니다. 컴파일러가 전문가의 판단을 흡수하면 그 기술을 쓸 수 있는 사람의 수가 늘어나고, 그것이 채택의 실제 조건인 경우가 많습니다. 다만 비용의 문제라고 말하면서 비용을 적지 않은 발표문은 절반만 알려 준 것이고, 그 나머지 절반은 이 항목의 댓글에 있었습니다. 판단에 필요한 숫자가 발표문에 없을 때 토론이 왜 가치 있는지를 보여 주는 사례이기도 합니다.

원문과 관련 글

적용 조건 네 가지와 검토 순서는 발표문과 댓글에서 확인한 내용을 바탕으로 제가 정리한 것입니다.

현재 단락 (1/34)

Hacker News API로 확인한 항목입니다. 제목은 `Google is making private AI practical with homomorphic encryption`,...

작성 글자: 0자원문 글자: 3,768자작성 단락: 0/34