현대 SaaS 환경에서 클라우드 데이터베이스 침해 사고는 더 이상 예외적인 사건이 아니라 통계적으로 피할 수 없는 현실입니다. 지식 노동자가 기존 메모 플랫폼에 의존할 때, 지적 재산, 시스템 기밀, 독점 소스 코드 스니펫, 개인적 생각 등 가장 민감한 자산이 제3자 인프라 전반의 서버 측 암호화 데이터베이스나 일반 텍스트로 저장됩니다.

서버 측 암호화("저장 시 암호화")는 공급자가 복호화 키를 소유하므로 진정한 프라이버시 측면에서 근본적인 결함이 있습니다. 클라우드 서버 설정이 잘못되었거나, 데이터베이스 덤프가 유출되거나, 제3자 공급업체가 법적 영장을 받는 경우, 암호화되지 않은 지식 기반은 완전히 노출됩니다. AI 개인 비서가 깊은 맥락 데이터를 소비하는 시대에 표준 클라우드 보안 모델은 지극히 불충분합니다.

제로 지식의 당위성

Reminda에서 보안은 제품 제공 후 적용되는 마케팅 레이어가 아니라 시스템의 근본적인 아키텍처 제약 조건입니다. 당사는 진정한 종단간 암호화(E2EE)를 활용하는 제로 지식 아키텍처를 기반으로 플랫폼을 구축했습니다.

제로 지식 보안의 수학적 보장은 간단합니다: 당사는 글자 그대로 사용자의 데이터를 읽을 수 없습니다.

키 저장소 없음: 마스터 암호화 키는 기기에서 로컬로 파생되며 네트워크를 통해 절대 전송되지 않습니다.
읽을 수 없는 클라우드 기록: 원격 데이터베이스에는 인증되고 암호화되어 보안 처리된 암호문만 저장됩니다. 프로덕션 인프라에 대한 완전한 물리적 접근 권한이 있더라도 엔지니어나 공격자는 엔트로피가 높은 의사 난수 노이즈만 보게 됩니다.
Zero-Trust 인프라: 당사 팀, 호스팅 공급자, 클라우드 데이터베이스 인스턴스 모두 사용자의 개인 메모나 기억 그래프를 복호화할 수 있는 기술적 능력이 없습니다.

기술 심층 탐구: 암호화 파이프라인

제로 지식 보장을 유지하면서 매끄러운 교차 기기 동기화를 달성하기 위해, Reminda는 Web Crypto API 표준을 기반으로 구축된 다단계 로컬 암호화 워크플로를 실행합니다.

1. PBKDF2 마스터 키 파생

사용자가 로그인하면 클라이언트 런타임은 무차별 대입 및 GPU 사전 공격을 방지하기 위해 SHA-256, 로컬 솔트, 600,000회 이상의 반복을 결합한 PBKDF2(Password-Based Key Derivation Function 2)를 사용하여 암호 문구에서 마스터 키( $K_{master}$ )를 로컬로 파생합니다:

$K_{master} = \text{PBKDF2}\left(\text{Passphrase}, \text{Salt}, \text{iterations}=600000, \text{SHA-256}\right)$

2. 로컬 대칭 데이터 암호화 (AES-256-GCM)

모든 메모 콘텐츠, 벡터 페이로드 및 구조화된 스키마는 AES-256-GCM(Galois/Counter Mode)을 사용하여 클라이언트 측에서 암호화됩니다. GCM은 기밀성과 **연관 데이터가 있는 인증 암호화(AEAD)**를 모두 제공하여 전송 중에 암호문이 감지되지 않은 채 변조될 수 없도록 보장하므로 특별히 선택되었습니다.

// 클라이언트 측 암호화 프로토콜 예시
export async function encryptLocalPayload(
 plaintext: string,
 rawKey: CryptoKey
): Promise<{ ciphertext: ArrayBuffer; iv: Uint8Array }> {
 const iv = crypto.getRandomValues(new Uint8Array(12)); // 96비트 초기화 벡터
 const encoder = new TextEncoder();
 const data = encoder.encode(plaintext);

 const ciphertext = await crypto.subtle.encrypt(
 {
 name: 'AES-GCM',
 iv: iv,
 },
 rawKey,
 data
 );

 return { ciphertext, iv };
}

제로 지식 E2EE와 인공지능의 조화

현대 프라이버시 엔지니어링에서 가장 큰 기술적 장애물은 E2EE와 대형 언어 모델의 결합입니다. 대부분의 AI 래퍼는 단순히 암호화되지 않은 메모를 클라우드 엔드포인트로 직접 보내 프라이버시를 완전히 무시합니다.

제로 지식 아키텍처를 침해하지 않으면서 실시간 AI 사고 동반자를 제공하기 위해, Reminda는 검색 증강 생성(RAG) 파이프라인을 클라이언트 측 우선으로 재설계했습니다.

안전한 AI 맥락 검색의 작동 방식

로컬 벡터 인제스천: 텍스트 청크는 경량의 WebAssembly 컴파일 모델 런타임을 사용해 로컬로 임베딩되거나 로컬 벡터 인덱스에 색인화됩니다.
클라이언트 측 맥락 페치: 질문을 하면 로컬로 복호화된 메모를 대상으로 로컬 브라우저 런타임 내부에서 의미론적 검색 쿼리가 직접 실행됩니다.
휘발성 데이터 미저장 처리: 질문에 답변하는 데 필요한 특정 분리된 텍스트 스니펫만 프롬프트 패키지로 준비됩니다. 이 맥락적 페이로드는 암호화된 TLS 터널을 통해 엄격한 데이터 미저장 AI 엔드포인트로 전송되므로 모델 학습을 위해 입력값이 기록되거나 저장되지 않습니다.

보안 보장: 전체 지식 저장소는 클라우드 저장소에서 저장 상태로 완전히 암호화되어 유지됩니다. 외부 LLM은 사용자의 전체 보관소를 절대 처리하지 않으며, 활성 상호작용 중에 사용자가 승인한 휘발성 조각만 처리합니다.

침해할 수 없는 인권으로서의 프라이버시

보안 조치는 행정적 약속, 기업 프라이버시 정책, 법적 면책 조항에 결코 의존해서는 안 됩니다. 기업 정책은 변경되고, 플랫폼은 인수되며, 정책 약관은 변질됩니다. 진정한 프라이버시는 수학적 보장을 필요로 합니다.

Reminda를 제로 지식 클라이언트 측 암호화에 기반을 둠으로써, 당사는 당신의 지식 기반이 원래 의도되었던 목적대로 타협 없는 온전한 자신만의 비공개 사유 공간이자 마음의 확장으로 남아있도록 보장합니다.