[논문 리뷰] Trustless Machine Learning Contracts; Evaluating and Exchanging Machine Learning Models on the Ethereum Blockchain

A. Besir Kurtulmus, Kenny Daniel|arXiv (Cornell University)|2018. 02. 27.

Blockchain Technology Applications and Security참고 문헌 8인용 수 107

한 줄 요약

해시 데이터셋과 온체인 평가를 이용해 ML 모델을 의뢰, 학습, 평가 및 보상을 수행하는 신뢰성 없는 이더리움 기반 시스템인 DanKu 프로토콜을 제안한다. 구현, 인센티브, 위협 모델, 및 이더리움에서 ML 계약을 배포하기 위한 실용적 고려사항을 다룬다.

ABSTRACT

Using blockchain technology, it is possible to create contracts that offer a reward in exchange for a trained machine learning model for a particular data set. This would allow users to train machine learning models for a reward in a trustless manner. The smart contract will use the blockchain to automatically validate the solution, so there would be no debate about whether the solution was correct or not. Users who submit the solutions won't have counterparty risk that they won't get paid for their work. Contracts can be created easily by anyone with a dataset, even programmatically by software agents. This creates a market where parties who are good at solving machine learning problems can directly monetize their skillset, and where any organization or software agent that has a problem to solve with AI can solicit solutions from all over the world. This will incentivize the creation of better machine learning models, and make AI more accessible to companies and software agents.

연구 동기 및 목표

• 이더리움 블록체인에서 기계 학습 모델을 교환하기 위한 신뢰성 없는 마켓플레이스 프로토콜 도입.
• DanKu (Dan iel + Ku rtulmus) 계약 프로토콜과 그 다섯 단계 프로세스 정의.
• 크립토그래픽 해싱, 데이터셳 무작위화, 및 온체인 평가가 공정한 보상을 가능하게 하는 방법을 보여준다.
• 이더리움에서 ML 계약을 구현하기 위한 인센티브, 위협 모델, 실용적 고려사항을 논의한다.

제안 방법

• DanKu 계약(DKC)을 다섯 단계 라이프사이클을 구현하는 이더리움 계약으로 정의: 초기화, 제출, 테스트 데이터 노출, 평가 및 최종화.
• 무결성을 보장하고 변조를 방지하기 위해 nonce가 있는 해시 데이터 그룹과 sha3-keccak 해싱 사용.
• 이전 블록 해시를 시드로 사용하여 데이터 그룹을 훈련 및 테스트 세트로 무작위로 분할.
• 온체인 평가를 시연하기 위해 간단한 신경망의 forward_pass 구현 제공.
• 참가자들이 제출한 모델을 점수 매기기 위해 선택된 지표(예: 정확도)를 사용하는 평가 함수 구현.
• 가스 제약 및 네트워크 고려사항에 대응하기 위해 모델별 평가 및 로컬/오프체인 평가 옵션 허용.]

실험 결과

연구 질문

• RQ1 신뢰할 수 없고 분산된 프로토콜이 이더리움 블록체인에서 ML 모델을 안전하게 의뢰, 학습, 평가할 수 있는가?
• RQ2 ML 모델 대회의 주최자나 참가자의 부정 행위를 방지하고 공정한 보상을 보장하는 메커니즘은 무엇인가?
• RQ3 EVM에서 ML 모델을 실행하는 실질적 한계(가스 비용, 데이터 저장, 수학 연산)와 이를 완화하는 방법은 무엇인가?

주요 결과

• DanKu 프로토콜은 온체인 평가 결과에 기반한 자동 보상으로 익명적이고 신뢰할 수 없는 ML 모델 대회를 가능하게 한다.
• nonce가 있는 데이터 해싱과 블록 해시를 데이터 분할에 사용하는 것은 주최 측의 조작 및 무지개 표 공격을 감소시킨다.
• 모델 제출 및 평가를 모델당 평가로 나눔으로써 제출 과다 및 가스 한도 위험을 완화할 수 있다.
• 데이터 저장 비용, 부동소수점 산술의 부재, 가스 한도 내에서의 모델 실행 시간 등 실질적 고려사항이 크다.
• 동형 암호화, 데이터 저장을 위한 IPFS/스웜, GPU 마이너 차익거래 영향 등의 잠재적 확장에 대해 다룬다.