Skip to main content
QUICK REVIEW

[논문 리뷰] Optimizing Governed Blockchains for Financial Process Authentications

Leif-Nissen Lundbæk, Andrea Callia D’Iddio|arXiv (Cornell University)|2016. 12. 01.
Blockchain Technology Applications and Security참고 문헌 14인용 수 8
한 줄 요약

이 논문은 암호화폐 인centive가 없는 기업 소유의 개인 블록체인인 제도화된 블록체인을 위한 수학적 최적화 프레임워크를 제안한다. 이는 금융 프로세스 감사에서 신뢰를 향상시키기 위한 것이다. Proof of Work를 혼합정수비선형계획법(MINLP) 문제로 모델링하여 보안, 비용, 가용성, 내성 등 다양한 요소를 균형 잡는 최적의 암호화 퍼즐 파라미터를 유도한다. 이는 실용적 사례에 대한 통계적 및 실험적 분석을 통해 검증되었다.

ABSTRACT

We propose the formal study of governed blockchains that are owned and controlled by organizations and that neither create cryptocurrencies nor provide any incentives to solvers of cryptographic puzzles. We view such approaches as frameworks in which system parts, such as the cryptographic puzzle, may be instantiated with different technology. Owners of such a blockchain procure puzzle solvers as resources they control, and use a mathematical model to compute optimal parameters for the cryptographic puzzle mechanism or other parts of the blockchain. We illustrate this approach with a use case in which blockchains record hashes of financial process transactions to increase their trustworthiness and that of their audits. For Proof of Work as cryptographic puzzle, we develop a detailed mathematical model to derive MINLP optimization problems for computing optimal Proof of Work configuration parameters that trade off potentially conflicting aspects such as availability, resiliency, security, and cost in this governed setting. We demonstrate the utility of such a mining calculus by solving some instances of this problem. This experimental validation is strengthened by statistical experiments that confirm the validity of random variables used in formulating our mathematical model. We hope that our work may facilitate the creation of domain-specific blockchains for a wide range of applications such as trustworthy information in Internet of Things systems and bespoke improvements of legacy financial services.

연구 동기 및 목표

  • 기존 이중부기 회계 방식이 조작에 취약하므로, 법적/규제 요구사항과 기술적 이행 간 격차를 해소하기 위함.
  • 비트코인과 같은 탈중앙화된 블록체인이 인centive 기반 마이닝에 의존하고 게임이론적 리스크 및 높은 운영 비용을 야기하므로 이를 극복하기 위함.
  • 암호화 퍼즐 설정을 위한 공식적이고 수학적으로 탄탄한 프레임워크를 설계하여 기업 제어 블록체인의 비암호화폐 사용 사례에 집중하기 위함.
  • 비용, 가용성, 내성성 등의 실제 제약 조건을 반영한 블록체인 파라미터(예: 난이도, 노노스페이스, 마이너 수)의 정밀하고 정량적인 설정을 가능하게 하기 위함.
  • 금융 서비스 및 IoT 분야의 도메인 특화 블록체인 구현을 지원하기 위해 신뢰할 수 있는 거래 기록을 위한 검증되고 분석 가능한 설계 방법론을 제공하기 위함.

제안 방법

  • 해시 함수에 대해 랜덤 오라클 모델(Random Oracle Model, ROM)을 사용하여 제도화된 블록체인에서 암호화 퍼즐 해결 과정을 모델링하고, 퍼즐 해결 시간의 확률적 분석을 가능하게 한다.
  • 노노스페이스 크기, 난이도, 마이너 수 등 블록체인 설정 파라미터를 최적화하기 위한 혼합정수비선형계획법(MINLP) 수식을 개발한다.
  • 최대 블록 생성 시간, 동시 해결 가능성의 낮은 확률, 솔버 장애에 대한 내성성 등 시스템 수준의 요구사항을 고려한 제약 조건을 통합한다.
  • 부분적 장애에 대한 내성성을 모델링하기 위해 강건 최적화(robust optimization)를 적용하여 악성 또는 고장 난 조건에서도 시스템 가용성을 확보한다.
  • 수학적 모델의 입력 변수들이 무작위성과 독립성을 갖는지 확인하기 위해 통계 실험을 수행하여 최적화 프레임워크의 신뢰성 확보.
  • 기존의 전역 MINLP 솔버(예: ANTIGONE, BARON, SCIP)가 타당 모델이지만 타당성 검사를 통과하지 못하는 문제를 해결하기 위해 실용적 블록체인 크기의 MINLP 문제를 해결하기 위한 맞춤형 알고리즘을 구현한다.

실험 결과

연구 질문

  • RQ1제도화된 블록체인에서 암호화 퍼즐 파라미터를 수학적으로 최적화하여 보안, 비용, 가용성, 내성성 간의 충돌하는 목표를 균형 잡을 수 있는가?
  • RQ2마이너 수, 노노스페이스 크기, 퍼즐 난이도를 변화시켰을 때 예상 블록 생성 시간과 시스템의 강건성에 어떤 영향을 미치는가?
  • RQ3ROM 기반의 공식적 수학 모델이 실제 제약 조건 하에서 제도화된 Proof of Work 시스템의 행동을 정확히 표현하고 예측할 수 있는가?
  • RQ4모델은 마이닝 용량을 확장하거나 에너지 가격 변화에 대응하는 동적 변경 관리 기능을 어떻게 지원할 수 있는가?
  • RQ5통계적 검증을 통해 최적화 모델에 사용된 랜덤 변수의 정확성이 어느 정도 확인될 수 있는가?

주요 결과

  • 제안된 MINLP 모델은 제도화된 블록체인의 블록체인 파라미터 최적화를 성공적으로 수립하여 보안, 비용, 가용성, 내성성 간의 트레이드오프를 가능하게 한다.
  • 통계 실험을 통해 모델에 사용된 랜덤 변수의 타당성이 확인되어 최적화 프레임워크의 확률적 가정의 신뢰성을 뒷받침한다.
  • 맞춤형 알고리즘이 실용적 크기의 MINLP 문제를 성공적으로 해결하여, 기존 전역 MINLP 솔버(예: ANTIGONE, BARON, SCIP)가 타당 모델임에도 불구하고 타당성 검사를 통과하지 못하는 문제를 해결한다.
  • 모델은 마이닝 내성성을 향상시키기 위해 필요한 신규 마이너 수 결정이나 에너지 비용 변화에 대응하는 동적 설정 결정을 공식 최적화 기반으로 지원한다.
  • 프레임워크는 마이닝 용량 확장이나 운영 변화에 대응해 파라미터를 조정하는 등 제도화된 블록체인의 변경 관리 지원이 가능하다.
  • 이 방법론은 신뢰와 감사 가능성이 핵심이지만 암호화폐 인센티브가 불필요한 금융 감사 트레일 및 IoT 데이터 무결성과 같은 도메인 특화 응용 분야에 적용 가능하다.

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.