학습모델을 업데이트하는 전자 장치의 동작 방법 및 이를 지원하는 전자 장치

현재 상태 :: 거절 (청구항 1, 4, 9, 10)

상태 변경일 :: 2025. 10. 28.

서지정보

항목	내용
IPC	H04L 41/082 (2022.01.01) G06N 3/098 (2023.01.01) H04L 41/16 (2022.01.01) H04L 41/14 (2022.01.01) H04L 67/10 (2022.01.01) H04L 9/40 (2022.01.01)
CPC	H04L 41/082 (2022.05) G06N 3/098 (2023.01) H04L 41/16 (2022.05) H04L 41/14 (2022.05) H04L 67/10 (2022.05) H04L 63/0421 (2013.01)
출원번호(일자)	1020230121947 (2023.09.13)
출원인	국방과학연구소
등록번호(일자)
공개번호(일자)	1020250039164 (2025.03.20)
공고번호(일자)
국제출원번호(일자)
국제공개번호(일자)
우선권정보
법적상태	공개
심사진행상태
심판사항
구분	국내출원 / 신규
원출원번호(일자)
관련 출원번호
심사청구여부(일자)	Y (2023.09.13)
심사청구항수	10

요약

본 개시에 따르면, 전자 장치가 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 방법에 있어서, 토르 네트워크의 트래픽 분석을 위한 연합 학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계; 상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계; 상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및 상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 포함할 수 있다.

명세서

청구범위

청구항 1

전자 장치가 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 방법에 있어서,

토르 네트워크의 트래픽 분석을 위한 연합 학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계;

상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계;

상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및

상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 포함하는,

학습 모델 업데이트 방법.

청구항 2

제 1 항에 있어서,

상기 연합 학습에 참여하는 상기 하나 이상의 제1 로컬 노드들을 확인하는 단계는,

토르 네트워크와 관련된 복수의 로컬 노드들에 연합 학습을 위한 학습 참여 요청을 전송하는 단계; 및

상기 복수의 로컬 노드들로부터 상기 학습 참여 요청에 대응하는 학습 참여 응답을 수신하는 단계; 및

상기 복수의 로컬 노드들 중에서 상기 학습 참여 응답에 따라 상기 연합 학습에 참여하는 것으로 판단된 상기 하나 이상의 제1 로컬 노드들을 확인하는 단계를 포함하는,

학습 모델 업데이트 방법.

청구항 3

제 1 항에 있어서,

상기 학습 모델 업데이트 방법은,

상기 연합 학습의 참여를 위한 참여 인센티브를 판단하는 단계; 및

상기 각 로컬 노드에게 상기 참여 인센티브를 제공하도록 설정하는 단계를 더 포함하는,

학습 모델 업데이트 방법.

청구항 4

제 1 항에 있어서,

상기 각 로컬 노드는, 토르 네트워크의 출구 노드 및 토르 네트워크의 사용자 중 하나에 대응하는,

학습 모델 업데이트 방법.

청구항 5

제 1 항에 있어서, 상기 각 로컬 업데이트 정보는, 상기 각 로컬 노드의 개별 학습에 대한 개별 정확도의 정보 및 상기 각 로컬 노드가 개별 학습에 기반하여 상기 글로벌 학습 모델을 각각 업데이트 한 개별 업데이트 글로벌 학습 모델에 대한 정보를 포함하는, 학습 모델 업데이트 방법.

청구항 6

제 1 항에 있어서,

상기 연합 학습은 반복적으로 수행되도록 설정되고,

상기 하나 이상의 제1 로컬 노드들 중 다음 연합 학습에 참여할 하나 이상의 제2 로컬 노드들의 개수를 결정하기 위한 제1 비율, 및 상기 하나 이상의 제2 로컬 노드들 중 각 로컬 노드의 개별 학습에 대한 개별 정확도에 따라 상기 다음 연합 학습에 참여하는 것으로 선택할 적어도 일부의 로컬 노드들의 개수를 결정하기 위한 제2 비율이 설정되는,

학습 모델 업데이트 방법.

청구항 7

제 6 항에 있어서,

상기 하나 이상의 제2 로컬 노드들 중 상기 적어도 일부의 로컬 노드들은, 상기 제1 비율 및 상기 제2 비율에 기반하여 상기 하나 이상의 제1 로컬 노드 중에서 각 로컬 노드의 개별 학습에 대한 개별 정확도가 높은 순으로 결정되는,

학습 모델 업데이트 방법.

청구항 8

제 6 항에 있어서,

상기 하나 이상의 제2 로컬 노드들 중 상기 적어도 일부의 로컬 노드들을 제외한 나머지 일부의 로컬 노드들은, 상기 하나 이상의 제1 로컬 노드 중에서 상기 적어도 일부의 로컬 노드들을 제외한 로컬 노드들 중 무작위로 결정되는,

학습 모델 업데이트 방법.

청구항 9

토르(Tor) 네트워크를 위한 학습 모델 업데이트 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,

상기 학습 모델 업데이트 방법은:

토르 네트워크의 트래픽 분석을 위한 연합 학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계;

상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계;

상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및

상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 포함하는 것을 특징으로 하는,

비일시적 컴퓨터 판독 가능 저장 매체.

청구항 10

토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 전자 장치에 있어서,

프로세서 (processor); 및

하나 이상의 인스트럭션 (instruction)을 저장하는 하나 이상의 메모리 (memory)를 포함하고,

상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가:

토르 네트워크의 트래픽 분석을 위한 연합 학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계;

상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계;

상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및

상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 수행하도록 상기 프로세서를 제어하는,

전자 장치.

발명의 설명

기술분야

본 발명은 학습 모델을 업데이트 하는 방법 및 장치에 관한 것으로서, 더욱 상세하게는 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 방법 및 이의 장치에 관한 것이다.

배경기술

Tor 네트워크는 미국의 해군 연구소에서 개발한 익명 네트워크 툴로, 네트워크 우회와 익명화를 위해 사용하는 툴 중 하나이다. Tor 브라우저는 익명성을 유지하기 위해 어니언 라우팅(Onion Routing) 기법을 이용하여 트래픽 데이터를 암호화하는데, 양파 암호화는 암호화하고자 하는 대상을 겹겹으로 암호화하여 누구도 모든 암호를 알 수 없도록 하는 기법에 해당한다. Tor 브라우저 경우, 유저단에서부터 3개의 노드(Node; 입구 노드, 중간 노드, 출구 노드)를 이용하여 암호화하고, 상기의 노드들로 구성되어 있는 회로를 트래픽 데이터가 통과하여 목적지 웹사이트에 전송될 수 있다.

익명성을 보장하는 Tor 네트워크 환경에서, 익명성을 깨뜨리려고 하는 분석가가 트래픽 데이터 분석을 통해 Tor의 사용자가 어떤 웹사이트에 접속했는지 알아내는 공격 기법을 Website Fingerprinting(WF)라 한다. 기존 WF 공격 기법은 웹사이트를 식별하는 딥러닝 모델을 학습하기 위해 분석가가 직접 웹사이트에 접속한 뒤 해당 웹사이트의 트래픽 데이터를 생성하여 웹사이트 식별 모델을 학습하는 방식으로 수행되어 왔으나, 해당 방식은 학습에 필요한 모든 트래픽 데이터를 보관해야 하기 때문에 저장공간 부담의 문제가 발생할 수 있다. 또한, 직접 트래픽 데이터를 모으는 방식은 한정된 네트워크 회로로부터 얻어진 트래픽 데이터를 대상으로 모델을 학습하기 때문에, 다른 회로에서 발생한 트래픽 데이터가 주어진 경우 정확한 웹사이트 예측이 어렵다는 문제 역시 가지고 있다.

본 발명은 저장공간에 대한 부담을 줄이고 다양한 노드에서 WF 공격 기법에 따른 트래픽 데이터를 학습할 수 있도록 하는 연합 학습을 적용하는 방법을 제안한다. 본 발명과 같은 연합 학습을 적용할 경우, 저장공간 부담이 줄어들고, 다양한 노드로부터 학습된 모델을 가지게 되며, 모델 학습 과정에서 발생할 수 있는 데이터 유출의 문제를 방지하는 효과를 가질 수 있다.

발명의 내용

해결하려는 과제

본 발명의 방법에 따르면, 전자 장치가 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 할 수 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

과제의 해결 수단

다양한 실시예들은, 학습 모델 업데이트를 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.

전자 장치가 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 방법에 있어서, 토르 네트워크의 트래픽 분석을 위한 연합 학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계; 상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계; 상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및 상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 포함할 수 있다.

예시적 실시예에서, 상기 연합 학습에 참여하는 상기 하나 이상의 제1 로컬 노드들을 확인하는 단계는, 토르 네트워크와 관련된 복수의 로컬 노드들에 연합 학습을 위한 학습 참여 요청을 전송하는 단계; 및 상기 복수의 로컬 노드들로부터 상기 학습 참여 요청에 대응하는 학습 참여 응답을 수신하는 단계; 및 상기 복수의 로컬 노드들 중에서 상기 학습 참여 응답에 따라 상기 연합 학습에 참여하는 것으로 판단된 상기 하나 이상의 제1 로컬 노드들을 확인하는 단계를 포함할 수 있다.

예시적 실시예에서, 상기 학습 모델 업데이트 방법은, 상기 연합 학습의 참여를 위한 참여 인센티브를 판단하는 단계; 및 상기 각 로컬 노드에게 상기 참여 인센티브를 제공하도록 설정하는 단계를 더 포함할 수 있다.

예시적 실시예에서, 상기 각 로컬 노드는, 토르 네트워크의 출구 노드 및 토르 네트워크의 사용자 중 하나에 대응할 수 있다.

예시적 실시예에서, 상기 각 로컬 업데이트 정보는, 상기 각 로컬 노드의 개별 학습에 대한 개별 정확도의 정보 및 상기 각 로컬 노드가 개별 학습에 기반하여 상기 글로벌 학습 모델을 각각 업데이트 한 개별 업데이트 글로벌 학습 모델에 대한 정보를 포함할 수 있다.

예시적 실시예에서, 상기 연합 학습은 반복적으로 수행되도록 설정되고, 상기 하나 이상의 제1 로컬 노드들 중 다음 연합 학습에 참여할 하나 이상의 제2 로컬 노드들의 개수를 결정하기 위한 제1 비율, 및 상기 하나 이상의 제2 로컬 노드들 중 각 로컬 노드의 개별 학습에 대한 개별 정확도에 따라 상기 다음 연합 학습에 참여하는 것으로 선택할 적어도 일부의 로컬 노드들의 개수를 결정하기 위한 제2 비율이 설정될 수 있다.

예시적 실시예에서, 상기 하나 이상의 제2 로컬 노드들 중 상기 적어도 일부의 로컬 노드들은, 상기 제1 비율 및 상기 제2 비율에 기반하여 상기 하나 이상의 제1 로컬 노드 중에서 각 로컬 노드의 개별 학습에 대한 개별 정확도가 높은 순으로 결정될 수 있다.

예시적 실시예에서, 상기 하나 이상의 제2 로컬 노드들 중 상기 적어도 일부의 로컬 노드들을 제외한 나머지 일부의 로컬 노드들은, 상기 하나 이상의 제1 로컬 노드 중에서 상기 적어도 일부의 로컬 노드들을 제외한 로컬 노드들 중 무작위로 결정될 수 있다.

다양한 실시예들에 따른 토르(Tor) 네트워크를 위한 학습 모델 업데이트 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서, 상기 학습 모델 업데이트 방법은: 토르 네트워크의 트래픽 분석을 위한 연합 학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계; 상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계; 상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및 상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 포함할 수 있다.

다양한 실시예들에 따른 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 전자 장치에 있어서, 프로세서(processor); 및 하나 이상의 인스트럭션 (instruction) 을 저장하는 하나 이상의 메모리 (memory) 를 포함하고, 상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 토르 네트워크의 트래픽 분석을 위한 연합학습에 참여하는 하나 이상의 제1 로컬 노드들(nodes)을 확인하는 단계; 상기 연합 학습을 위해 설정한 글로벌 학습 모델에 대한 정보를 상기 하나 이상의 제1 로컬 노드들에 포함된 각 로컬 노드에 전송하는 단계; 상기 각 로컬 노드가 상기 글로벌 학습 모델에 따라 토르 네트워크의 트래픽 분석을 위한 개별 학습을 수행하여 획득한 각 로컬 업데이트 정보를 상기 각 로컬 노드로부터 수신하는 단계; 및 상기 각 로컬 업데이트 정보를 종합하여 상기 글로벌 학습 모델을 업데이트 하는 단계를 수행하도록 상기 프로세서를 제어할 수 있다.

상술한 본 개시의 다양한 실시예들은 본 개시의 바람직한 실시예들 중 일부에 불과하며, 본 개시의 다양한 실 예들의 기술적 특징들이 반영된 여러 가지 실시예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 상세한 설명을 기반으로 도출되고 이해될 수 있다.

발명의 효과

본 발명은 전자 장치가 토르(Tor) 네트워크를 위한 학습 모델을 업데이트 하는 방법을 제시하여, 토르 네트워크의 트래픽 분석과 관련된 학습을 효과적으로 수행할 수 있는 측면에서 기술적인 효과를 갖는다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.