Google Research, Gboard 적용된 TEE 기반 FL 시스템 공개… 학습 속도·프라이버시 강화

Google Research가 **Trusted Execution Environments(TEE)**를 활용해 외부에서 검증 가능한 프라이버시 보장을 제공하는 새로운 Federated Learning(FL) 시스템을 공개했다. 연산을 서버로 전환해 학습 속도, 정확도, 디바이스 커버리지를 개선하면서도 데이터 익명화가 완전히 검증 및 감사 가능하도록 설계됐다.

아키텍처 및 검증

시스템은 프라이버시와 무결성을 위해 네 가지 핵심 운영 개념을 조율한다:

• 데이터 업로드: 클라이언트 디바이스가 학습 예제를 암호화해 업로드하며, 데이터를 처리할 TEE 연산을 정의하는 access policy를 사전 승인한다. 이 정책은 공개 투명성 로그에 게시된다.
• KMS 및 정책 검증: RAFT consensus protocol을 사용하는 Key Management System(KMS) 클러스터는 게시된 access policy와 일치하는 서버 측 TEE 워크로드에만 복호화 키를 제공한다.
• 워크로드 실행: Root TEE가 Python 학습 루프를 실행하고 병렬 작업을 Worker TEE로 위임한다. 로직은 TensorFlow Federated에서 파생된 오픈소스 오케스트레이션 언어인 Federated Language로 표현된다.
• 장애 허용 복구: 시스템은 각 학습 라운드 후 KMS로 암호화된 복구 상태를 저장해 민감 정보 유출 없이 장애에서 복구할 수 있도록 한다.

프라이버시 보장 강화

이 새로운 시스템은 서버 운영자를 신뢰할 필요가 없도록 해 기존 FL 접근법의 한계를 해결한다. 이전 시스템에서는 외부 관찰자가 데이터가 로깅되거나 검사되지 않았음을 검증할 수 없었다. 새로운 TEE 기반 접근법은 다음을 보장한다:

• 워크로드 운영자에게는 지표와 차등 프라이버시 모델 가중치만 보인다.
• 암호화된 학습 데이터는 제한된 시간 동안 TEE 내에서만 복호화 및 처리된다.
• Access policy는 공개 투명성 로그인 Rekor에 게시되어 외부 감사자가 모든 잠재적 서버 측 워크로드를 추적할 수 있다.
• 바이너리는 Confidential Federated Compute 리포지토리의 오픈소스 코드에서 재현 가능하게 빌드할 수 있다.

Gboard에 미친 영향

Gboard는 이 시스템을 도입해 영어 및 일본어 다음 단어 예측 모델을 출시했다. 서버 측 연산으로 전환하면서 diurnal availability constraints를 완화해 디바이스 참여 스케줄을 동적으로 최적화할 수 있게 됐다. 이로 인해 디바이스 제한으로 인해 1~2개월이 걸렸던 이전 시스템보다 학습 시간이 크게 단축됐다. 새로운 아키텍처는 더 강력한 프라이버시 보장과 모델 정확도 향상도 지원한다.