FedTensor

1. 개요1.1. 시스템 정의본 문서는 연합학습(Federated Learning, FL) 환경에서 사용되는 머신러닝 모델의 생명주기를 관리, 추적, 배포하기 위한 시스템 구축 방안을 제안합니다.1.2. 시스템의 필요성기존의 중앙화된 MLOps는 학습된 단일 모델을 서비스 엔드포인트에 배포하는 데 중점을 둡니다. 하지만 연합학습은 다음과 같은 고유한 특징을 가집니다.분산된 학습: 모델 학습이 다수의 분산된 클라이언트(Edge device, 모바일 등)에서 발생합니다.지속적인 순환: '배포 → 로컬 학습 → 업데이트 수집 → 집계 → 재배포'의 순환이 핵심 프로세스입니다.모델의 다양성: '글로벌 모델(Global Model)', '로컬 모델(Local Model)', '초기 모델' 등 다양한 버전의 모델이..

1. 서론연합학습(Federated Learning, FL)은 데이터를 중앙 서버로 이동시키지 않고, 분산된 클라이언트(기기 또는 사일로)에 존재하는 데이터를 활용하여 머신러닝 모델을 학습하는 기술입니다. 이 과정에서 중앙 서버는 학습 코드, 모델 구조, 설정 등을 클라이언트에 배포하고, 클라이언트는 로컬 학습 후 업데이트된 모델 가중치(또는 그래디언트)만을 서버로 전송합니다. 이때, 수천에서 수백만 개에 이를 수 있는 분산된 클라이언트에 학습 코드와 관련 종속성을 안정적이고, 안전하며, 효율적으로 배포하는 것이 큰 도전 과제입니다. 본 문서는 이러한 연합학습 환경의 특수성을 고려한 패키지 관리 시스템(Package Management System, PMS)의 구축 방안을 제안합니다.2. 핵심 구성 요소..

연합학습은 데이터를 중앙 서버로 전송하지 않고, 각 클라이언트(예: 모바일 기기, 병원, 공장)에서 로컬로 모델을 학습한 뒤, 학습된 모델의 일부(가중치 등)만을 중앙 서버로 보내 집계(aggregation)하는 분산형 머신러닝 방식입니다. 이러한 특성상, 연합학습의 '운영 용이성'은 기존의 중앙 집중식 MLOps(머신러닝 운영)와는 완전히 다른 차원의 복잡성을 가집니다. 운영 용이성은 단순히 "모델이 잘 돌아간다"를 넘어, "분산된 환경에서 시스템을 얼마나 안정적이고 효율적으로 유지보수할 수 있는가"의 문제입니다. 연합학습 도입 시 운영 용이성 측면에서 고려해야 할 주요 사항은 다음과 같습니다.1. 시스템 구축 및 배포 (Setup & Deployment)클라이언트 환경의 다양성: 연합학습은 수많은 이..

연합학습은 데이터를 중앙 서버로 이동시키지 않고, 데이터가 위치한 각 디바이스(또는 사일로)에서 로컬 모델을 학습시킨 후, 모델의 업데이트 값(예: 가중치, 그래디언트)만을 중앙 서버로 전송하여 글로벌 모델을 업데이트하는 분산형 머신러닝 방식입니다. 이러한 'Code-to-Data' 접근 방식은 데이터 프라이버시를 획기적으로 향상시키지만, 기존의 'Data-to-Code' 중앙 집중식 인프라와는 데이터가 아닌 학습 코드(모델)가 이동한다는 점에서 근본적으로 다릅니다. 따라서 연합학습을 성공적으로 도입하기 위해서는 기존 IT 인프라와의 호환성을 면밀히 검토하고 전략을 수립해야 합니다. 주요 고려사항은 다음과 같습니다.1. 데이터 인프라 (Data Infrastructure)데이터가 이동하지 않기 때문에, ..

시빌 공격(Sybil Attack)은 하나의 공격자가 수많은 가짜 신원(Sybils)을 생성하여, 분산 시스템이나 P2P 네트워크에서 자신이 다수인 것처럼 위장하고 부당한 영향력을 행사하려는 공격입니다. 이 이름은 다중인격장애를 다룬 1973년작 소설 '시빌(Sybil)'에서 유래했습니다.1. 시빌 공격의 핵심 원리 대부분의 분산 시스템은 '1인 1표' 또는 '다수결'의 원칙에 따라 작동합니다. 시빌 공격은 이 점을 악용합니다.정상 시스템: 100명의 정직한 사용자와 1명의 공격자가 있다면, 공격자의 영향력은 1%에 불과합니다. 시빌 공격: 100명의 정직한 사용자가 있는 시스템에, 1명의 공격자가 1,000개의 가짜 계정(시빌)을 만들어 참여합니다. 이제 시스템은 1,100명의 "사용자"가 있는 것으로..

연합학습(Federated Learning)에서 기여도 평가(Contribution Measurement)는 시스템의 보안성, 공정성, 효율성을 높이는 데 핵심적인 방어 전략입니다. 이는 "어떤 클라이언트가 글로벌 모델 성능 향상에 '정직하게' 그리고 '유용하게' 기여했는가?"를 측정하는 기술입니다. 주요 목적은 다음과 같습니다. 프리라이딩(Free-riding) 방지: 학습에 기여하지 않으면서 고성능 모델만 받아 가려는 클라이언트를 식별합니다. 보안 위협 완화: 고의로 성능을 저하하거나 백도어를 심으려는 악의적인 업데이트(포이즈닝 공격)를 식별하고 그 영향을 줄입니다. 공정한 보상: 시스템에 많이 기여한 클라이언트에게 더 많은 보상(예: 인센티브, 다음 라운드 참여 우선권)을 제공합니다.가장 큰 어려움..

연합학습에서 견고한 집계 전략(Robust Aggregation Strategy)은 악의적인 클라이언트가 전송하는 비정상적인 업데이트(Outlier)로부터 글로벌 모델을 보호하기 위한 서버 측 방어 기법입니다. 기본적인 FedAvg는 모든 클라이언트의 업데이트를 '단순 평균'하기 때문에, 하나의 강력한 악성 업데이트만으로도 전체 글로벌 모델이 쉽게 오염될 수 있습니다(포이즈닝 공격). 견고한 집계 전략들은 "정직한 클라이언트의 업데이트는 (고차원 공간에서) 서로 유사한 경향을 보일 것이고, 악의적인 업데이트는 이들로부터 멀리 떨어져 있을 것"이라는 핵심 가정을 기반으로, 이러한 이상치를 식별하고 그 영향을 최소화하거나 완전히 제거합니다. 주요 견고한 집계 전략들은 다음과 같습니다.1. 절삭 평균 (Tri..

클라이언트별로 다른 조작된 이탈 목록을 보냄으로써 특정 온라인 상태의 클라이언트를 대상으로 모델 원본 파라미터를 복원하는 것이 가능한가? 만약 프로토콜에 추가적인 안전장치가 없다면, 이러한 공격은 실제로 가능하며 특정 클라이언트의 모델 원본을 복원할 수 있습니다.이 공격은 '선택적 참여자 목록 공격(Selective Client List Attack)'이라고 볼 수 있으며, 악의적인 서버(Malicious Server)가 시도할 수 있는 대표적인 공격 시나리오입니다.악의적인 서버의 공격 시나리오서버가 온라인 상태인 클라이언트 $u$의 모델 $x_u$를 탈취하려고 한다고 가정해 보겠습니다. 이 서버는 또 다른 온라인 클라이언트 $v$를 이 공격에 이용합니다.서버의 이중 플레이: 서버는 $u$와 $v$에게 ..

클라이언트는 다른 클라이언트의 상태를 알아야만 올바른 키를 서버에 전송할 수 있습니다. 이는 SecAgg+ 프로토콜의 중요한 단계이며, 서버가 중앙에서 조정자(Coordinator) 역할을 수행함으로써 가능해집니다. 클라이언트가 서로의 상태를 직접 확인하는 것이 아니라, 서버가 상태를 판별하고 그 결과를 온라인 클라이언트들에게 알려주는 방식으로 동작합니다.서버와 클라이언트 간 상태 확인 절차프로토콜의 '이탈자 처리' 단계는 다음과 같은 명확한 순서로 진행됩니다.1단계: 마스킹된 값 제출 및 대기모든 클라이언트는 자신의 마스킹된 모델 업데이트($y_u$)를 서버에 전송합니다. 서버는 정해진 시간 동안 클라이언트들의 제출을 기다립니다.2단계: 서버의 상태 판별 및 목록 생성제출 시간이 마감되면, 서버는 성공..

서버는 개별 클라이언트의 모델 원본을 복원할 수 없습니다. SecAgg+ 프로토콜의 핵심적인 보안 설계가 바로 그 지점에 있습니다. 서버가 특정 클라이언트와 관련된 키 정보들을 수집하는 것은 사실이지만, 그 정보는 전체 합산 값에서 불필요한 마스크를 제거하기 위한 최소한의 정보일 뿐, 개별 클라이언트의 원본 값을 역산하기에는 불충분합니다. 왜 그런지 클라이언트가 온라인(online) 상태일 때와 이탈(dropped) 상태일 때로 나누어 살펴보겠습니다.1. 대상 클라이언트가 '온라인(Online)' 상태일 경우가장 중요한 시나리오입니다. 클라이언트 $u$가 정상적으로 참여하여 마스킹된 값 $y_u$를 서버에 제출했다고 가정해 봅시다. 서버가 $u$의 원본 모델 $x_u$를 복원하려면 $y_u$에서 $u$가..