프라이버시 보호 교통 상태 추정을 위한 수직 연합 학습

본 논문은 도시 교통 시스템에서 지방자치단체(MA)와 모빌리티 제공업체(MP)가 각각 보유한 이기종 데이터(루프 센서 기반 이산형 카운트와 차량 궤적 기반 연속형 특성)를 직접 공유하지 않고도 공동으로 교통 상태 추정(TSE) 모델을 학습·배포할 수 있는 프레임워크를 제안한다. 기존 연구는 대부분 단일 데이터 소유자가 모든 데이터를 제공하거나, 동일한 특성을 가진 여러 디바이스가 참여하는 수평 연합 학습(HFL)을 전제로 했다. 그러나 교통 데이터는 소유자마다 측정 대상과 형식이 크게 다르며, 라벨(실제 흐름·밀도) 역시 MA가 항공 촬영 등 고비용 방법으로만 확보할 수 있어 라벨이 희소한 것이 현실이다. 이러한 문제점을 해결하기 위해 두 가지 주요 기여를 제시한다. 첫 번째는 수직 연합 학습(Vertical Federated Learning, VFL) 기반의 FedTSE이다. FedTSE는 최근 제안된 FedBCD(Federated Block Coordinate Descent) 알고리즘을 기반으로, 각 데이터 소유자가 로컬 손실 함수를 최소화하면서 블록 좌표 업데이트 방식을 통해 전역 파라미터와 교차 파라미터를 주기적으로 동기화한다. 구체적으로, MA는 루프 카운트와 제한된 라벨을 이용해 흐름·밀도 추정 모델의 일부 파라미터를 학습하고, MP는 차량 궤적에서 추출한 OD 수요, 여행 시간·거리, 전환 비율 등 다양한 특성을 이용해 보조 파라미터를 학습한다. 각 소유자는 로컬 그래디언트를 여러 스텝에 걸쳐 누적하고 압축된 형태로 서버에 전송함으로써 통신 오버헤드를 크게 감소시킨다. 두 번째는 라벨이 부족한 상황에서도 모델 성능을 유지하도록 설계된 물리‑인포메드 연합 학습 FedTSE‑PI이다. FedTSE‑PI는 전통적인 교통 흐름 방정식(예: Lighthill‑Whitham‑Richards, LWR)이나 보존 법칙을 손실 함수에 추가한다. 물리 손실은 각 소유자가 자체적으로 계산하고, 이를 암호화된 형태로 서버에 전달한다. 이렇게 하면 라벨이 없는 구간에서도 모델이 물리적 일관성을 유지하도록 강제할 수 있다. 프라이버시 보호를 위해 논문은 Secure Functional Encryption(SFE)을 도입한다. SFE는 특정 함수(예: 선형 결합)의 결과만을 복호화 가능하게 하여, 서버는 원본 특성값을 알 수 없지만 필요한 중간 결과(예: 가중합)를 얻을 수 있다. 따라서 MA와 MP 모두 원본 센서값·궤적 데이터를 절대 노출하지 않는다. 또한, 공격 시뮬레이션(리버스 엔지니어링, 차분 공격)에서도 SFE 기반 설계는 정보 유출을 통계적으로 유의미하게 차단한다. 실험은 싱가포르 실제 교통 데이터(루프 디텍터와 DiDi 차량 궤적)를 사용해 세 가지 시나리오를 검증한다. 첫 번째 시나리오에서는 라벨이 충분히 존재할 때 FedTSE가 중앙집중식 ‘Oracle’ 모델과 평균 절대 오차(MAE) 0.3% 이하 차이만 보이며, 정확도 손실이 거의 없음을 확인했다. 두 번째 시나리오에서는 전체 라벨의 10%만 사용했을 때 FedTSE‑PI가 라벨이 풍부한 경우와 비교해 MAE 1.2% 정도만 차이 나고, 순수 VFL 대비 RMSE가 15% 이상 감소하는 효과를 보였다. 세 번째 시나리오에서는 프라이버시 공격을 모의 실험했을 때, SFE 기반 시스템이 원본 데이터 복원률을 5% 이하로 억제함을 입증했다. 결론적으로, 본 연구는 (1) 수직 연합 학습이 이기종 교통 데이터 융합에 적합함을, (2) 물리‑인포메드 손실이 라벨 부족 문제를 효과적으로 완화함을, (3) Secure Functional Encryption이 실시간 교통 운영 수준에서도 실용적인 프라이버시 보호를 제공함을 증명한다. 향후 연구 과제로는 비동기식 업데이트, 다중 라벨(예: 사고 위험) 확장, 블록체인 기반 신뢰 관리와의 결합, 그리고 실시간 교통 제어와 연계한 폐쇄 루프 시스템 구축을 제시한다.