CMA-ES 기반 Adversarial Search로 FHE 정밀도 오류 탐지율 4,259배 향상

Context

CKKS 스킴 기반 FHE ML 모델에서 연산 중 누적되는 Noise로 인해 특정 입력값에서 Plaintext 결과와 큰 괴리가 발생하는 Precision Bug 존재. 입력 공간의 약 10⁻⁵ 수준인 극소 영역에서만 발생하는 특성으로 인해 일반적인 Random Testing으로는 결함 발견이 불가능한 한계 직면.

Technical Solution

• CMA-ES(Covariance Matrix Adaptation Evolution Strategy) 알고리즘을 채택하여 고차원 입력 공간 내 정밀도 오류 밀집 영역을 효율적으로 탐색하는 구조 설계
• Plaintext와 FHE 결과 간의 Divergence, Noise Budget 소모량, Multiplicative Depth 활용도를 결합한 3-term Noise-aware Fitness Function 구현
• FHE Adapter 인터페이스를 통해 OpenFHE, Microsoft SEAL, Zama Concrete 등 다양한 백엔드 라이브러리의 내부 상태 정보 추출 및 피드백 루프 구축
• Training Distribution 중심의 샘플링에서 벗어나 모델이 선언한 전체 Input Space를 탐색하는 Adversarial Search 전략 적용
• CI/CD 파이프라인 내 Oracle Check 게이트를 배치하여 설정된 Threshold 초과 시 Merge를 차단하는 자동화된 검증 프로세스 도입