연합 학습 시스템의 보안 및 확장 가능한 클라이언트 인증

분산화를 강조하는 연합 학습 시스템은 데이터의 개인 정보 보호 및 보안을 보장하며 협력적인 모델 훈련을 가능하게 합니다. 이러한 분산 시스템에서 클라이언트 인증은 무단 접근을 방지하고, 모델 준비 과정에서 승인되지 않은 사용자가 예외적이거나 관련 없는 사실을 추가하여 모델을 약화시키거나 오염시키고 일관성을 해치는 것을 막는 중요한 요소입니다. 본 연구는 이러한 문제를 해결하기 위한 새로운 2단계 클라이언트 검증 파이프라인을 제안합니다. 제안하는 프레임워크는 1단계에서 확률적 자료 구조를 활용한 경량 사전 필터를 도입합니다. 정적 클라이언트 집단에는 블룸 필터(BF)를, 동적 클라이언트 집단에는 적응형 몫 필터(AQF)를 사용하여 암호화 작업 이전에 후보 클라이언트를 신속하게 선별합니다. 2단계에서는 사전 필터를 통과한 클라이언트에 대해 ECDSA 기반 서명 검증을 수행하여 실제 인증을 완료하고 확률적 필터링의 잔여 오탐(false positive)을 보완합니다. 이 설계는 서버가 BF/AQF를 통해 대부분의 무단 요청을 저렴하게 거부하고, 비용이 많이 드는 암호화 검증은 실제 후보에게만 적용하도록 합니다. IP 주소 지리적 프로필 데이터셋(129,857개 항목)을 사용하여 메모리 사용량, 조회 시간 및 BF와 AQF의 오탐 동작을 6가지 대체 자료 구조와 비교 평가했습니다. BF와 AQF는 트라이(Trie) 대비 서버 측 메모리 사용량을 최대 90%까지 절감했으며(예: 100,000개 자격 증명에 대해 1.9MB 및 3MB 대 23.2MB), 해시 기반 구조 대비 조회 시간 오버헤드는 미미했습니다(100,000개 레코드에 대해 HashSet의 0.003–0.006초 대비 0.054–0.064초). 프로토콜 수준에서 BF/AQF 사전 필터링과 ECDSA 검증의 결합은 인증 메시지 및 통신 비용을 크게 줄여 연합 학습 시스템의 보안과 확장성을 동시에 향상시킬 수 있음을 보여주었습니다. 이는 분산 환경에서 효율적이고 강력한 클라이언트 인증 메커니즘을 제공하는 중요한 진전입니다.