[논문 리뷰] Secure Communication Model For Quantum Federated Learning: A Post Quantum Cryptography (PQC) Framework

Dev Gurung, Shiva Raj Pokhrel외 1명|arXiv (Cornell University)|2023. 04. 26.

Cryptography and Data Security인용 수 5

한 줄 요약

이 논문은 동적 서버 선택 및 Dilithium 서명 체계를 사용하여 강력한 위조 방지성과 내성 확보를 위한 Post-Quantum Cryptography (PQC)-보장된 Quantum Federated Learning (QFL) 프레임워크를 제안한다. 이 모델은 SUF-CMA 보안을 달성하고, 실험에서 MNIST 데이터셋을 대상으로 통신 오버헤드를 최소화하면서도 $ O(1/\sqrt{T}) + O(1/\lambda^2) $ 의 수렴 속도를 보이며 실용적인 성능을 입증한다.

ABSTRACT

We design a model of Post Quantum Cryptography (PQC) Quantum Federated Learning (QFL). We develop a framework with a dynamic server selection and study convergence and security conditions. The implementation and results are publicly available1.

연구 동기 및 목표

• 기존 Quantum Federated Learning (QFL) 시스템에서의 Post-Quantum 보안 부족 문제를 해결하기 위해.
• QFL에서 단일 장애점 공격에 저항하는 보안성과 동적 서버 아키텍처를 설계하기 위해.
• 장기적인 보안을 확보하기 위해 PQC 체계—특히 Dilithium—을 QFL에 통합하기 위해.
• 제안된 PQC-QFL 프레임워크의 수렴성, 보안성, 통신 오버헤드를 이론적·실험적으로 평가하기 위해.
• PQC를 QFL에 적용함으로써 성능 저하 없이 실현 가능성을 입증하기 위해.

제안 방법

• 단일 장애점 공격 위험을 줄이기 위해 무작위 또는 평판 기반 할당 방식을 통한 동적 서버 선택.
• 각 클라이언트는 자신의 비밀키 $ sk_i $ 를 사용하여 국소 모델 파라미터 $ w_i $ 를 PQC 서명 체계(Dilithium)로 서명하여 $ \sigma_i $ 를 생성한다.
• 서버는 해당 공개키 $ pk_i $ 를 사용해 모든 서명을 검증하고 위조되거나 유효하지 않은 업데이트를 걸러낸다.
• 유효한 모델 파라미터는 FedAvg를 통해 집계되어 글로벌 모델 $ w_g $ 를 형성하고 클라이언트로 다시 전송된다.
• SGD를 기반으로 $ T $ 반복 횟수와 보안 수준 $ \lambda $ 를 고려한 이론적 수렴 분석을 수행하였으며, 수렴 속도로 $ n \cdot \{ O(1/\sqrt{T}) + O(1/\lambda^2) \} $ 를 도출하였다.
• 보안성은 Module-LWE 및 Module-SIS 문제의 난이도에 기반한 SUF-CMA(강력한 위조 방지성, 선택 메시지 공격 하에서)로 수학적으로 정의된다.

실험 결과

연구 질문

• RQ1 양자 컴퓨팅 기반 위조 및 중간자 공격에 저항하는 PQC-보장 QFL 프레임워크를 설계할 수 있는가?
• RQ2 고정 서버 아키텍처 대비 동적 서버 선택이 QFL 아키텍처의 내성에 어떤 영향을 미치는가?
• RQ3 Dilithium와 같은 PQC 체계를 통합함으로써 QFL에서 수렴 속도와 통신 지연에 어떤 영향을 미치는가?
• RQ4 PQC-QFL 모델이 MNIST와 같은 비IIDs 데이터 분포에서 모델 정확도를 어느 정도 유지하는가?
• RQ5 표준 가정 하에 PQC-QFL 모델의 이론적 수렴 속도를 경계하고 검증할 수 있는가?

주요 결과

• PQC-QFL 모델은 Dilithium 서명 체계를 통해 SUF-CMA 보안을 달성하였으며, 이는 Module-LWE 및 Module-SIS 문제의 난이도에 기반한다.
• 이론적 분석을 통해 $ T $ 는 학습 반복 횟수이고 $ \lambda $ 는 보안 수준일 때, 수렴 속도가 $ O(1/\sqrt{T}) + O(1/\lambda^2) $ 로 확인되었다.
• 실험 결과, 2 에포크 이후 학습 정확도가 크게 향상되어 PQC 오버헤드 하에서도 효과적인 국소 모델 학습이 이루어짐을 보여주었다.
• 비IIDs인 MNIST 데이터에서 100회의 통신 라운드 이후 테스트 정확도가 약 55%에 도달하여, QFL에서 데이터 이질성 문제에 직면해 있음을 시사하였다.
• PQC 서명 및 검증으로 인한 통신 지연 오버헤드는 극히 미미하여 나노초 수준이었으며, 성능 저하가 거의 없음을 보였다.
• Dilithium와 Falcon은 서명 및 검증 성능에서 유사한 성능을 보였고, SPHINCS+는 상당히 높은 지연을 유발하여 향후 최적화가 필요함을 확인하였다.