유의사항
본 글은 2026년 8월 19일 기준 공개된 논문 1편을 참고해 작성되었습니다. DANA NOTES의 분석이 함께 포함되어 있습니다.
참고 논문
Zhu, Z., Lam, C., Frolov, A., Miers, I., & Liu, Z. (2026). Zero-knowledge cloud analytics. In ACM SIGCOMM 2026 Conference. Association for Computing Machinery.
이 글에서 다루는 내용
기업에는 외부에서 쉽게 구하기 어려운 데이터가 많이 쌓입니다. 고객의 서비스 이용 패턴, 네트워크 품질, 보안 이벤트, 운영 효율, 지역별 수요와 같은 정보는 기업 내부의 의사결정에 활용되는 동시에 다른 기업에도 높은 가치를 가질 수 있습니다.
이 데이터를 기업 간에 활용하려면 두 가지 조건이 함께 필요합니다.
정보를 제공하는 기업은 개인정보와 영업기밀을 보호하면서 데이터의 가치를 활용해야 합니다. 정보를 구매하는 기업은 자신에게 필요한 결과를 빠르게 얻고, 그 결과가 실제 데이터에 따라 정확하게 계산됐다는 근거도 확보해야 합니다.
ACM SIGCOMM 2026에 발표된 Zero-Knowledge Cloud Analytics는 이런 문제를 암호학적인 방식으로 다루는 연구입니다.
연구진이 제안한 zk-Analytics는 원본 로그를 분석 사업자의 시스템 안에서 처리하고, 외부 검증자에게 분석 결과와 암호학적 증명을 제공합니다. 외부 검증자는 원본 로그와 중간 분석 상태를 직접 확인하는 과정 대신, 결과가 미리 기록된 데이터에 따라 정확하게 계산됐는지를 검증할 수 있습니다(Zhu et al., 2026).
이 구조가 실제 기업 환경에서 발전하면 데이터 활용 방식에도 변화가 생길 수 있습니다.
기업이 원본 데이터 전체를 넘기는 거래와 함께, 원본 데이터에서 계산한 ‘검증 가능한 인사이트’를 제공하는 거래가 새로운 데이터 상품으로 성장할 수 있기 때문입니다.
먼저 알아둘 용어
영지식 증명(Zero-Knowledge Proof, ZKP)
계산에 사용된 비공개 정보를 외부에 보여주는 범위를 제한하면서, 정해진 계산이 올바르게 수행됐다는 사실을 암호학적으로 증명하는 기술입니다.
클라우드 분석(Cloud Analytics)
서버 로그, 네트워크 트래픽, 서비스 이용량, 보안 이벤트처럼 클라우드 환경에서 수집되는 대규모 데이터를 분석하는 작업입니다.
검증자(Verifier)
분석 결과가 정확하게 계산됐는지 확인하는 외부 주체입니다. zk-Analytics에서는 고객, 규제기관, 감사기관, 보험사와 같은 참여자가 여기에 해당할 수 있습니다.
클라우드 분석 결과에는 신뢰를 확인하는 과정이 필요하다
클라우드 서비스 기업은 운영 과정에서 다양한 데이터를 수집합니다.
영상 스트리밍 서비스는 비트레이트, 해상도, 영상 시작 시간과 재버퍼링을 측정합니다. 인터넷 서비스 사업자는 실제 네트워크 속도와 처리량을 측정합니다. 보안 서비스 기업은 고객 네트워크와 시스템에서 발생한 보안 이벤트와 탐지 결과를 분석합니다.
이런 수치는 서비스 수준 협약(SLA), 산업 벤치마크, 규제 준수, 보안 감사와 같은 업무에 활용됩니다.
현재 많은 클라우드 분석 환경에서는 데이터를 수집하고 분석하는 사업자가 최종 결과도 제공합니다. 고객, 규제기관과 감사기관은 이 결과가 실제 데이터에 따라 정확하게 계산됐는지 확인할 방법이 필요합니다.
원본 로그에는 IP 주소, 쿠키, 요청 URL, 네트워크 구성, 라우팅 정책과 같은 민감한 정보가 포함될 수 있습니다. 기업의 내부 운영 방식과 고객 행동을 보여주는 정보도 함께 담길 수 있습니다.
Zhu et al. (2026)은 이 지점에서 발생하는 문제를 신뢰 공백(Trust Gap)으로 설명합니다.
zk-Analytics의 목적은 이 신뢰 공백을 암호학적 증명으로 연결하는 것입니다.
zk-Analytics는 로그부터 질의 결과까지 검증 가능한 구조로 연결한다
zk-Analytics는 크게 세 단계로 구성됩니다.
1. 데이터가 생성될 때 기록을 연결한다
서버, 라우터와 각종 기기에서 로그가 생성되면 데이터 소스는 로그를 일정한 묶음으로 관리합니다.
각 로그 묶음은 해시 체인(Hash Chain)으로 연결됩니다. 새롭게 생성된 기록이 이전 기록과 이어지기 때문에 이후 로그의 순서와 연결 상태를 확인할 수 있습니다.
데이터 소스는 일정한 간격으로 이 기록의 암호학적 요약값을 공개된 투명성 로그(Transparency Log)에 남깁니다.
이 기록은 이후의 분석이 어떤 로그에서 출발했는지 확인하는 기준점이 됩니다(Zhu et al., 2026).
2. 분석 사업자가 데이터를 집계한다
로그는 분석 사업자에게 전달되고 일정한 크기의 구간인 Epoch 단위로 정리됩니다.
분석 사업자는 원본 로그를 합계, 평균, 분포, 빈도와 같은 형태로 집계합니다. Histogram, Hash Table, Count-Min Sketch와 같은 데이터 구조도 활용됩니다.
이 과정에서도 Zero-Knowledge Proof가 생성됩니다.
증명은 각 Epoch의 데이터가 앞서 기록된 로그와 연결되어 있으며, 정해진 집계 로직에 따라 처리됐다는 사실을 확인할 수 있도록 설계됩니다.
연구진은 계산량이 큰 집계 작업을 여러 서버에 나누는 분산 처리 구조도 적용했습니다(Zhu et al., 2026).
3. 필요한 질문에 대한 결과와 증명을 제공한다
외부 검증자가 특정 분석을 요청하면 질의 엔진이 관련 Epoch를 불러옵니다.
예를 들어 다음과 같은 질문을 만들 수 있습니다.
- 특정 기간의 평균 네트워크 처리량은 얼마인가?
- 특정 스트리밍 서비스의 재생 품질은 어느 수준인가?
- 일정 기간 동안 특정 보안 위협은 몇 번 탐지됐는가?
질의 엔진은 계산 결과와 함께 Zero-Knowledge Proof를 생성합니다.
검증자는 결과와 증명을 받아 계산이 올바르게 수행됐는지 확인합니다. 논문의 실험에서는 이미 생성된 집계 증명과 질의 증명을 검증하는 시간이 대부분 수십 밀리초 수준으로 측정됐습니다(Zhu et al., 2026).
누가 원본 데이터를 보고, 누가 결과를 검증할까?
zk-Analytics의 구조를 이해하려면 세 참여자의 역할을 구분해야 합니다.
데이터 소스(Data Source)
서버, 라우터, 사용자 기기처럼 원본 로그를 생성하는 주체입니다.
논문에서는 데이터 소스가 정해진 측정 방식에 따라 정확한 로그를 생성하고 기록한다고 가정합니다.
분석 사업자(Analytics Provider)
원본 로그를 전달받아 저장하고, 집계하고, 질의를 처리합니다.
분석 사업자는 원본 로그를 볼 수 있습니다. 동시에 집계와 질의 계산의 정확성은 암호학적 증명을 통해 검증 대상이 됩니다.
검증자(Verifier)
고객, 감사기관, 규제기관, 보험사와 같이 분석 결과의 신뢰성을 확인하는 외부 주체입니다.
검증자는 원본 로그와 중간 분석 상태 대신 분석 결과와 암호학적 증명을 확인합니다.
따라서 zk-Analytics의 개인정보 보호 범위는 원본 로그와 중간 분석 상태를 외부 검증자로부터 보호하면서 계산 결과의 정확성을 검증하는 구조에 집중되어 있습니다(Zhu et al., 2026).
이 구조에서는 분석 결과 자체에 포함되는 정보의 공개 범위도 함께 관리해야 합니다. 연구진은 허용된 질의 목록이나 실행 단계의 접근통제를 통해 공개 가능한 질의를 관리하는 방안을 제시합니다.
실제 적용 사례는 스트리밍·통신·보안에서 시작한다
연구진은 세 가지 주요 활용 사례를 제시합니다.
영상 스트리밍 서비스의 품질 비교
스트리밍 서비스는 영상 재생 과정에서 비트레이트, 해상도, 영상 시작 지연시간과 재버퍼링 같은 QoE(Quality of Experience) 지표를 수집합니다.
여러 사업자의 데이터를 분석하면 각 서비스의 품질과 산업 내 위치를 비교할 수 있습니다.
분석 사업자는 각 스트리밍 서비스의 세부 QoE 데이터를 관리하면서 외부에는 특정 사업자가 어느 수준의 성능을 기록했는지와 같은 결과를 제공할 수 있습니다.
zk-Analytics는 여기에 계산 정확성을 확인하는 증명을 함께 제공하는 구조입니다(Zhu et al., 2026).
통신사의 네트워크 품질 검증
인터넷 서비스 사업자는 지역별 연결성과 실제 속도, 처리량을 측정합니다.
이 데이터는 서비스 품질 평가와 규제 준수에 활용될 수 있습니다.
규제기관이나 고객은 특정 지역의 실제 네트워크 성능이 사업자가 보고한 수준과 일치하는지 확인할 필요가 있습니다.
zk-Analytics를 활용하면 사업자의 내부 네트워크 정보와 세부 트래픽 데이터는 관리 범위 안에 두고, 외부에는 성능 결과와 검증 증명을 제공하는 구조를 만들 수 있습니다(Zhu et al., 2026).
보안 서비스의 탐지 성과 검증
관리형 보안 서비스 사업자는 고객 기업의 DNS, HTTP와 네트워크 연결 기록을 분석합니다.
이 데이터를 통해 악성 목적지와의 연결 건수, 주요 탐지 건수와 같은 보안 지표를 만듭니다.
이 지표는 컴플라이언스 감사와 사이버보험 심사에도 활용될 수 있습니다.
원본 로그에는 호스트명, 사용자 정보와 내부 네트워크 구조가 포함될 수 있습니다. zk-Analytics에서는 감사기관, 규제기관과 보험사가 필요한 보안 지표와 계산 증명을 확인할 수 있습니다(Zhu et al., 2026).
기업 간 데이터 활용에는 많은 준비 과정이 들어간다
이 연구를 비즈니스 관점에서 보면 중요한 질문이 하나 더 생깁니다.
기업이 보유한 데이터를 다른 기업은 어떻게 활용할 수 있을까?
현재 기업 간 데이터 활용에는 많은 준비가 필요합니다.
정보제공 기업은 개인정보, 영업기밀, 고객 정보와 내부 운영 정보를 보호해야 합니다. 제공 범위, 이용 목적, 보관 기간, 접근 권한과 계약 조건도 함께 관리합니다.
이런 이유로 외부 제공 범위가 제한되는 데이터도 많습니다.
구매 기업의 입장에서는 다른 문제가 생깁니다.
원하는 데이터를 바로 확보하기 어려우면 필요한 정보를 직접 만들어야 합니다. 여러 출처에서 데이터를 수집하고, 형식을 맞추고, 저장하고, 정제하고, 분석한 뒤 결과까지 검토합니다.
시장조사, 신규 지역 진출, 투자 판단, 경쟁 분석과 같은 업무에서 이 준비 과정은 상당한 시간과 비용을 사용합니다.
기업이 실제로 원하는 것은 데이터 파일 전체보다 의사결정에 필요한 답인 경우도 많습니다.
예를 들어 신규 지역 진출을 검토하는 기업이라면 다음과 같은 정보가 중요할 수 있습니다.
- 어느 시간대에 서비스 수요가 집중되는가?
- 특정 지역의 네트워크 품질은 어느 수준인가?
- 특정 고객군의 이용 패턴은 어떻게 나타나는가?
- 특정 산업에서 어떤 보안 위험이 자주 발생하는가?
- 공급망에서 어느 구간에 지연이 집중되는가?
검증 가능한 분석 기술은 이런 질문을 하나의 거래 대상으로 만들 가능성을 보여줍니다.
데이터를 제공하는 기업은 ‘답’을 상품으로 만들 수 있다
정보제공 기업의 관점에서는 원본 데이터의 통제권을 유지하면서 데이터의 경제적 가치를 활용하는 새로운 방법이 생길 수 있습니다.
기업이 보유한 원본 데이터는 내부 시스템에서 계속 관리하고, 외부에는 고객이 요청한 분석 결과를 제공하는 방식입니다.
예를 들어 통신사가 보유한 하나의 네트워크 데이터에서 다음과 같은 여러 정보 상품을 만들 수 있습니다.
- 지역별 평균 네트워크 품질
- 시간대별 트래픽 패턴
- 특정 서비스 유형의 사용 변화
- 연결 안정성 지표
- 특정 품질 기준을 충족하는 지역 비율
같은 원본 데이터가 여러 종류의 인사이트 상품으로 활용되는 구조입니다.
여기에 암호학적 검증이 더해지면 구매자는 해당 숫자가 정해진 데이터와 계산 규칙에 따라 만들어졌는지 확인할 수 있습니다.
정보제공 기업은 원본 데이터를 직접 이전하는 범위를 관리하면서도 데이터에서 지속적인 수익을 만들 수 있습니다.
데이터의 가치는 한 번의 판매에서 끝나는 자산보다, 여러 질문에 반복해서 답할 수 있는 정보 자산으로 확장될 수 있습니다.
구매 기업은 필요한 정보를 더 빠르게 확보할 수 있다
구매 기업에게는 분석 준비 시간의 감소가 중요한 가치가 될 수 있습니다.
외부 데이터를 직접 활용하려면 데이터의 구조를 확인하고, 저장 환경을 준비하고, 필요한 항목을 정제하고, 질의를 만들고, 결과를 검토하는 과정이 필요합니다.
검증 가능한 인사이트 거래가 자리 잡으면 구매 기업은 자신이 필요한 질문을 기준으로 정보를 구매하는 방식을 선택할 수 있습니다.
예를 들어 기업이 알고 싶은 것이
“지난 6개월 동안 특정 지역에서 서비스 품질 기준을 충족한 비율”
이라면 전체 원본 로그를 확보한 뒤 직접 계산하는 방식과 함께, 해당 결과와 검증 증명을 제공받는 방식도 선택할 수 있습니다.
이 구조는 시장조사와 전략 수립에 필요한 정보를 확보하는 시간을 줄일 수 있습니다.
여러 기업이 같은 정의와 계산 기준을 사용하면 비교 분석의 속도도 높아질 수 있습니다.
구매자는 데이터를 소유하는 것보다 필요한 시점에 필요한 답을 얻는 것에 비용을 지불하는 방식으로 데이터 활용 범위를 넓힐 수 있습니다.
기업 간 데이터 거래 시장도 커질 수 있다
검증 가능한 분석 기술이 실제 산업에 자리 잡으면 기업 간 데이터 거래 시장의 규모도 커질 가능성이 있습니다.
현재 기업 내부에는 높은 가치를 가지면서도 외부 활용 범위가 제한된 데이터가 많이 존재합니다.
개인정보, 고객 행동, 운영 방식, 네트워크 구조, 보안 이벤트와 같은 데이터는 기업의 경쟁력과 직접 연결되는 정보이기도 합니다.
원본 데이터를 계속 기업 내부에서 관리하면서 특정 질문에 대한 결과를 제공할 수 있다면, 지금까지 시장에서 활용하기 어려웠던 정보도 새로운 상품으로 만들 수 있습니다.
이때 거래 대상은 데이터 파일에 머물지 않습니다.
- 집계 통계
- 산업 벤치마크
- 시장 지표
- 운영 효율 지표
- 보안 위험 지표
- 서비스 품질 지표
- 특정 조건을 만족하는지에 대한 검증 결과
와 같은 다양한 형태로 확장될 수 있습니다.
정보제공자는 활용 가능한 데이터 상품의 수를 늘릴 수 있고, 구매자는 필요한 정보를 더 빠르게 선택할 수 있습니다.
거래 가능한 정보의 범위가 넓어지면 새로운 데이터 공급자와 분석 사업자, 검증 서비스 사업자가 등장할 여지도 생깁니다.
기업 간 데이터 시장은 원본 데이터 판매 시장에서 검증 가능한 정보와 인사이트를 함께 거래하는 시장으로 확장될 수 있습니다.
이는 zk-Analytics 논문의 직접적인 결론보다 한 단계 확장한 DANA NOTES의 비즈니스 해석입니다.
데이터 자산의 가치 기준도 달라질 수 있다
기업 데이터의 가치는 데이터의 규모, 희소성, 최신성과 활용 가능성에 따라 평가됩니다.
검증 가능한 인사이트 시장이 성장하면 여기에 새로운 가치 기준이 더해질 수 있습니다.
이 데이터로 기업이 필요로 하는 어떤 질문에 답할 수 있는가?
그 답의 계산 과정을 어느 수준까지 검증 가능하게 제공할 수 있는가?
예를 들어 많은 데이터를 보유한 기업이라도 외부 기업이 활용할 수 있는 질문을 만들기 어렵다면 수익화 범위는 제한될 수 있습니다.
반대로 특정 산업의 의사결정에 중요한 정보를 지속적으로 생성할 수 있다면 데이터의 활용 가치는 높아질 수 있습니다.
데이터 기업의 경쟁력도 데이터 보유량과 함께 질문의 가치, 결과의 품질, 검증 가능성으로 확장될 수 있습니다.
현재 가장 큰 과제는 증명 생성 비용이다
zk-Analytics가 실제 기업 환경에서 활용되기 위해서는 성능과 비용이 함께 발전해야 합니다.
연구진은 Google Cluster 데이터, CAIDA 네트워크 데이터와 차량 배출량 데이터를 이용해 시스템을 평가했습니다.
131,072개의 로그를 대상으로 한 실험에서 ZK 기반 집계 과정은 일반 처리보다 약 100만 배(10⁶배) 많은 시간이 필요했습니다. ZK 기반 질의 처리는 약 1만~10만 배(10⁴~10⁵배) 많은 시간이 필요했습니다(Zhu et al., 2026).
집계 서버의 최대 메모리 사용량도 일반 처리에서는 약 31~34MB 수준이었고, ZK 처리에서는 약 9.4~9.5GB 수준으로 측정됐습니다.
연구진은 계산 비용을 관리하기 위해 온라인 로그 기록과 증명 생성 작업을 분리했습니다.
데이터가 만들어지는 시점에는 가벼운 해시 기록을 수행하고, 계산량이 큰 집계와 증명 생성은 오프라인에서 처리합니다.
여러 서버를 이용한 분산 처리도 적용했습니다.
집계 서버 수를 1대에서 8대로 늘린 실험에서는 증명 생성 시간이 7배 이상 단축됐습니다(Zhu et al., 2026).
131,072개의 로그를 8개의 집계 서버로 처리했을 때 Histogram과 Hash Table 기반 집계 증명은 약 1.5시간 안에 생성됐고, Count-Min Sketch는 약 4시간 안에 완료됐습니다.
반면 이미 만들어진 증명의 검증 시간은 대부분 100ms 이하였습니다(Zhu et al., 2026).
현재의 성능 특성을 고려하면 정기적인 성능 보고, 규제 제출, 보안 감사, 보험 심사처럼 결과의 신뢰성이 높은 경제적 가치를 가지는 업무에서 초기 활용 가능성을 살펴볼 수 있습니다.
DANA NOTES 해설
이번 연구의 장기적인 사업 가치는 Zero-Knowledge 기술 자체보다 지금까지 거래하기 어려웠던 기업 내부 정보에 새로운 거래 방식을 만들 수 있다는 점에서 찾을 수 있습니다.
기업에는 많은 데이터가 축적되어 있습니다. 그 데이터에는 고객의 행동, 서비스 이용 패턴, 운영 효율, 네트워크 상태와 보안 위험처럼 다른 기업의 의사결정에도 가치가 있는 정보가 포함됩니다.
검증 가능한 분석 기술이 충분히 발전하면 정보제공자는 데이터를 직접 이전하는 방식과 함께 데이터에 대한 질문을 받아 검증 가능한 답을 제공하는 방식을 선택할 수 있습니다.
구매자는 전체 데이터셋을 확보한 뒤 처음부터 분석하는 과정과 함께 필요한 인사이트를 직접 구매하는 방식을 활용할 수 있습니다.
이 구조가 산업에 자리 잡으면 지금까지 기업 내부에 머물던 데이터의 일부가 시장에서 거래 가능한 정보 상품으로 전환될 수 있습니다.
기업 간 데이터 거래 시장의 성장 가능성도 여기에서 생깁니다.
시장에 나오는 데이터의 양만 증가하는 것이 아니라, 거래 가능한 정보의 종류 자체가 늘어날 수 있기 때문입니다.
기업 데이터의 가치 역시 새로운 기준으로 평가될 수 있습니다.
얼마나 많은 데이터를 보유하고 있는가와 함께,
어떤 중요한 질문에 답할 수 있는가.
그 답을 얼마나 신뢰할 수 있는 형태로 제공할 수 있는가.
이 두 가지가 기업 데이터 자산의 경쟁력을 결정하는 중요한 요소로 자리 잡을 수 있습니다.
Zero-Knowledge Cloud Analytics는 아직 연구 단계의 시스템입니다. 동시에 이번 연구는 데이터 보호와 검증 기술이 발전할수록 기업 데이터가 보유 자산에서 반복적으로 판매할 수 있는 인사이트 자산으로 확장될 수 있는 가능성을 보여줍니다.
앞으로 확인해야 할 변수
첫 번째는 Zero-Knowledge Proof 생성 비용의 감소 속도입니다.
현재 프로토타입에서는 집계와 질의 증명 생성에 많은 컴퓨팅 자원이 필요합니다. zkVM과 ZKP 기술의 성능 향상은 실제 서비스의 가격 구조와 적용 범위를 결정하는 중요한 요소가 될 수 있습니다.
두 번째는 실제 기업 환경의 적용 사례입니다.
이번 논문은 실제 데이터셋과 합성 데이터셋을 통해 기술의 가능성을 평가했습니다. 앞으로 클라우드 사업자, 통신사, 보안기업과 데이터 분석 사업자가 실제 운영 환경에서 적용한 결과가 축적되면 경제성과 운영 구조를 더욱 구체적으로 확인할 수 있습니다.
세 번째는 기업 간 데이터 상품의 표준화입니다.
같은 질문이 기업마다 같은 의미를 가지려면 데이터 정의, 계산 방식, 측정 기준과 검증 규칙이 함께 정리돼야 합니다. 표준화가 진행될수록 여러 기업의 결과를 같은 기준으로 비교하는 시장도 만들기 쉬워집니다.
네 번째는 감사와 규제 체계에서의 활용 범위입니다.
암호학적 증명이 SLA 검증, 규제 보고, 보안 감사와 보험 심사에서 공식적인 증빙 수단으로 활용되면 검증 가능한 분석의 수요도 확대될 수 있습니다.
다섯 번째는 검증 가능한 인사이트가 실제 데이터 상품으로 거래되는지입니다.
집계 통계, 산업 벤치마크, 위험 지표, 서비스 품질 지표와 특정 조건에 대한 검증 결과가 독립적인 상품으로 형성되는지를 확인할 필요가 있습니다.
Zero-Knowledge Cloud Analytics가 실제 산업에 자리 잡는다면 기업 간 데이터 시장은 데이터를 이전하는 시장과 함께, 신뢰할 수 있는 정보를 필요한 순간에 제공하는 시장으로 넓어질 수 있습니다.
