[논문 리뷰] Machine Learning in/for Blockchain: Future and Challenges

Fang Chen, Hong Wan외 2명|arXiv (Cornell University)|2019. 09. 12.

Blockchain Technology Applications and Security참고 문헌 66인용 수 12

한 줄 요약

이 논문은 기계학습(ML)과 블록체인 기술의 통합을 검토하며, ML이 블록체인의 보안, 효율성, 데이터 분석을 향상시키는 방식과 동시에 블록체인이 안전하고 탈중앙화되며 프라이버시를 보장하는 기계학습을 가능하게 한다는 점을 보여준다. 주요 기여는 데이터 공유, 이상 탐지, 강화학습을 통한 채굴 전략 최적화 분야에서의 상호보완적 관계를 규명한 것으로, 스마트 에이전트, 다중 에이전트 강화학습, 학습 기반 시스템 평가 분야에서의 심층적이고 다학제적 연구의 필요성을 제기한다.

ABSTRACT

Machine learning and blockchain are two of the most noticeable technologies in recent years. The first one is the foundation of artificial intelligence and big data, and the second one has significantly disrupted the financial industry. Both technologies are data-driven, and thus there are rapidly growing interests in integrating them for more secure and efficient data sharing and analysis. In this paper, we review the research on combining blockchain and machine learning technologies and demonstrate that they can collaborate efficiently and effectively. In the end, we point out some future directions and expect more researches on deeper integration of the two promising technologies.

연구 동기 및 목표

• 기계학습과 블록체인 기술을 융합하는 현재의 연구 동태를 검토하기 위해.
• 기계학습이 블록체인 시스템의 성능, 보안성, 데이터 무결성 향상에 어떻게 기여할 수 있는지 규명하기 위해.
• 블록체인이 기계학습 워크플로우에서 안전하고 탈중앙화되며 프라이버시를 보장하는 환경을 어떻게 가능하게 하는지 탐색하기 위해.
• 다중 에이전트 강화학습을 통한 채굴 및 학습 기반 블록체인 메커니즘 설계와 같은 아직 미개척된 연구 분야를 부각하기 위해.
• 고립된 응용을 넘어 지능적이고 적응 가능한 탈중앙화 시스템을 향한 ML과 블록체인의 심층적 통합을 촉진하기 위해.

제안 방법

• 논문은 기계학습 기술이 블록체인에 적용되는 사례와 블록체인이 기계학습에 활용되는 사례에 대한 기존 문헌을 종합적으로 검토하며, 지도학습, 비지도학습, 강화학습 방법을 중심으로 분석한다.
• 특정 기법으로는 채굴 전략 최적화를 위한 이중 Q함수를 활용한 Q-학습, 비정책 기반 업데이트 및 적응형 ε 감쇠를 적용한 ε-그리디 탐색 기법을 분석한다.
• 이중 Q함수(Q^(a) 및 Q^(h))를 사용하는 강화학습 모델이 적대적 채굴 환경에서 다목적 보상 문제를 효과적으로 처리하는 방식을 평가한다.
• 블록체인 채굴을 마르코프 결정 과정(MDP)으로 모델링하는 프레임워크를 제안하여, 동적이고 경쟁적인 조건 하에서 최적의 전략 학습이 가능하도록 한다.
• 감도 분석과 시뮬레이션을 통해 제안된 강화학습 기반 채굴 전략의 성능을 기존 방법과 비교 검증한다.
• 협업 학습 환경에서 학습 데이터 기원 추적 및 모델 감사 기능을 위한 안전하고 불변성 확보된 레지스트리로 블록체인을 활용하는 데 중점을 둔다.

실험 결과

연구 질문

• RQ1 기계학습을 활용해 블록체인 시스템 내 악성 행동을 탐지하고 보안성을 향상시킬 수 있는 방법은 무엇인가?
• RQ2 블록체인은 분산 기계학습 워크플로우에서 데이터 프라이버시와 무결성을 어떻게 향상시킬 수 있는가?
• RQ3 강화학습은 탈중앙화된 블록체인 네트워크에서 채굴 전략을 최적화하는 데 효과적으로 적용될 수 있는가?
• RQ4 기존 기계학습 접근법이 블록체인 시스템 행동 분석에 한계를 보일 경우, 학습 기반 분석은 메커니즘 설계 개선에 어떻게 기여할 수 있는가?
• RQ5 다중 에이전트 강화학습은 실제 채굴 풀의 복잡한 협력-경쟁 혼합 동적 환경을 더 잘 모델링할 수 있는가?

주요 결과

• 제안된 이중 Q함수 기반 강화학습 접근법은 Eyal & Sirer(2014) 및 Sapirshtein 등(2017)의 기존 채굴 전략보다 시뮬레이션 환경에서 뛰어난 성능을 보이며, 특히 변동성이 높은 조건에서 유의미한 우월성을 확보한다.
• 적응형 ε-그리디 탐색과 상태 기반 ε 감쇠를 적용한 강화학습은 채굴 전략 학습에서 국소 최적해에 갇히는 것을 효과적으로 방지한다.
• 블록체인과 기계학습의 융합은 특히 IoT 및 헬스케어 분야에서 안전하고 감사 가능하며 프라이버시를 보장하는 데이터 공유를 가능하게 한다.
• 현재 연구는 대부분 얕은 수준에 머물러 있으며, 대부분의 연구가 한 기술을 다른 기술 향상에 적용하는 데 그치며 깊이 있는 기술적 통합을 이루지 못하고 있다.
• 성능 평가 및 예측 분석을 위한 블록체인 시스템에 대한 학습 기반 분석은 잠재력이 크지만 여전히 미개척 영역에 머물러 있다.
• 향후 연구는 실제 채굴 풀을 모델링하기 위한 다중 에이전트 강화학습과 변동성이 큰 시장에서 전통적 지도학습 모델의 한계를 고려한 암호화자산 투자 전략에 대한 역강화학습에 초점을 맞춰야 한다.