[논문 리뷰] Privacy-Preserving Blockchain Mining: Sybil-resistance by Proof-of-Useful-Work

Hjalmar Turesson, Alexandra Roatiş외 2명|arXiv (Cornell University)|2019. 07. 20.

Blockchain Technology Applications and Security인용 수 5

한 줄 요약

이 논문은 블록체인 보안을 넘어서 유용한 작업을 수행하는 데 자원을 재활용하는 프라이버시 보장 블록체인 합의 기반인 유용한 작업 증명(Proof-of-Useful-Work, PoUW)을 제안한다. 이 기반은 낭비적인 계산 대신 기계학습 모델 학습을 위해 채굴 자원을 재사용한다. 데이터 제공자, 채굴자, 위원회가 참여하는 탈중앙화된 기계학습 경쟁을 통합함으로써 PoUW는 사기 공격(Sybil resistance)을 확보하면서도 블록체인 보안을 넘어서 자원의 효율성을 높인다.

ABSTRACT

Blockchains rely on a consensus among participants to achieve decentralization and security. However, reaching consensus in an online, digital world where identities are not tied to physical users is a challenging problem. Proof-of-work (PoW) provides a solution by linking representation to a valuable, physical resource. This has worked well, currently securing Bitcoins $100 B value. However, the Bitcoin network uses a tremendous amount of specialized hardware and energy, and since the utility of these resources is strictly limited to blockchain security, the resources used are not useful other purposes. Here, we propose an alternative consensus scheme that directs the computational resources to a task with utility beyond blockchain security, aiming at better resource utilization. The key idea is to channel the resources to optimization of machine learning (ML) models by setting up decentralized ML competitions. This is achieved by a hybrid consensus scheme relying on three parties: data providers, miners, and a committee. The data provider makes data available and provides payment in return for the best model, miners compete about the payment and access to the committee by producing ML optimized models, and the committee controls the ML competition.

연구 동기 및 목표

• 기존 작업 증명 기반의 블록체인에서의 비효율성을 해결하기 위해 계산 자원을 유용한 작업으로 재활용하는 것.
• 실제 응용에 유용한 기계학습 모델 학습에 채굴 작업을 향유함으로써 자원 활용도를 향상시키는 것.
• 에너지 소모가 심한 계산에 의존하지 않고도 탈중앙화 시스템에서 사기 공격에 저항할 수 있도록 하는 것.
• 데이터 제공자, 채굴자, 위원회가 참여하는 하이브리드 합의 모델을 설계하여 기계학습 모델 경쟁의 공정성과 거버넌스를 보장하는 것.
• 채굴 과정에서의 프라이버시 보장을 확보하면서도 모델 제출의 검증 가능성과 보안성을 유지하는 것.

제안 방법

• 시스템은 세 역할(데이터 제공자, 채굴자, 위원회)으로 구성된 하이브리드 합의 모델을 도입하여 기계학습 경쟁을 운영한다.
• 채굴자는 최적화된 기계학습 모델을 작업 증명으로 제출하여 보상과 위원회 접근 권한을 경쟁한다.
• 데이터 제공자는 데이터셋을 공개하고 최고 성능을 보인 모델에 대해 금전적 인centive를 제공함으로써 실용성 기반의 인센티브 구조를 조성한다.
• 위원회는 사전 정의된 지표를 사용해 모델 성능을 평가하고 우승 모델을 선정함으로써 공정성과 무결성을 확보한다.
• 제출 및 평가 과정에서 데이터와 모델 세부 정보를 보호하기 위해 프라이버시 보존 기법을 적용한다.
• 채굴자가 무작위 계산이 아닌 유용한 작업에 컴퓨팅 자원을 투자함으로써 합의 기반은 사기 공격에 저항할 수 있도록 보장한다.

실험 결과

연구 질문

• RQ1 블록체인 채굴을 블록체인 보안을 넘어서 유용한 작업으로 전환함으로써 자원 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 기계학습 모델 학습 기반의 합의 기반은 기존 작업 증명보다 동일하거나 더 뛰어난 사기 공격 저항성을 확보할 수 있는가?
• RQ3 채굴자가 기계학습 모델을 작업 증명으로 제출하는 탈중앙화 시스템에서 프라이버시는 어떻게 보장할 수 있는가?
• RQ4 위원회가 탈중앙화된 기계학습 경쟁에서 공정성과 무결성을 확보하는 데 어떤 역할을 하는가?
• RQ5 데이터 제공자가 개인정보를 유지하면서도 고품질 데이터셋을 기여하도록 어떻게 유도할 수 있는가?

주요 결과

• 제안된 유용한 작업 증명(Proof-of-Useful-Work, PoUW) 기반은 채굴 자원을 기계학습 모델 학습으로 성공적으로 이동시켜 블록체인 보안을 넘어서는 자원의 유용성을 높였다.
• 기계학습 모델 최적화를 작업 증명으로 사용함으로써 시스템은 에너지 소모가 심한 계산에 의존하지 않고도 사기 공격에 저항할 수 있었다.
• 데이터 제공자, 채굴자, 위원회가 참여하는 하이브리드 모델은 모델 품질과 보상에 대한 공정하고 검증 가능한 경쟁을 가능하게 했다.
• 이 프레임워크는 프라이버시 보장 모델 제출을 지원하여 공식 과정 동안 민감한 데이터와 모델 세부 정보를 보호했다.
• 시스템은 블록체인 보안과 탈중앙화를 유지하면서도 계산 자원을 실제 응용 분야에 유용하게 활용할 수 있음을 입증했다.
• 이 접근은 채굴 인cent를 유용한 계산과 일치시킴으로써 기존 작업 증명의 지속 가능한 대안을 제공한다.