연합학습(FL)은 데이터 유출, 무단 재사용, 악의적 그래디언트 조작 등 다층적 공격에 취약하지만 기존 방어책은 이를 개별적으로만 다뤄왔다. 이 논문은 키 기반 맥락-출처 워터마킹과 검증 가능한 격자 기반 보안 집계를 결합한 FL 프레임워크를 제안한다. 데이터 계층에서는 시간·위치·서버ID 등 신뢰 인프라 정보로 만든 물리적 앵커 메타데이터(PAM)를 키 기반 HMAC-SHA-256으로 변환해 클라이언트 비밀키 없이는 생성 불가능한 워터마크를 만들고, GAN 기반 프레임워크 FMGAN으로 특징 융합과 맘바 기반 선형 어텐션을 활용해 이를 이미지에 강건하게 삽입한다. 계산 계층에서는 격자 기반 영지식 보안 집계(LZKSA) 프로토콜로 개인 업데이트를 노출하지 않고도 키 정확성, L2 노름 한계, 코사인 유사도 제약을 검증하며, RLWE 기반 설계로 양자내성 보안을 보장한다. 복합 공격 시나리오 실험에서 두 계층의 상호보완적 보호 효과가 검증됐다.

• •키 기반 물리적 앵커 메타데이터(PAM)+HMAC-SHA-256으로 클라이언트 고유 워터마크 생성(케르크호프스 원칙 준수)
• •GAN 기반 FMGAN이 맞바 기반 선형 어텐션과 특징 융합으로 워터마크를 이미지에 강건하게 삽입
• •격자 기반 영지식 보안 집계(LZKSA)로 개인 업데이트 비공개 유지하며 키·L2노름·코사인유사도 검증
• •RLWE 기반 설계로 양자내성(post-quantum) 보안 확보
• •복합 공격 시나리오에서 데이터·계산 두 계층의 상호보완적 방어 효과를 최초로 종합 검증