[논문]앙상블 머신러닝 기법과 블록체인 정보를 활용한 이더리움 엉클 블록 예측 분석

김한민

doi:10.14400/jdc.2020.18.11.129

앙상블 머신러닝 기법과 블록체인 정보를 활용한 이더리움 엉클 블록 예측 분석
Predictive Analysis of Ethereum Uncle Block using Ensemble Machine Learning Technique and Blockchain Information 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.11, 2020년, pp.129 - 136

초록
AI-Helper

블록체인의 장점들은 다양한 분야에서 블록체인의 필요성을 제시한다. 하지만 블록체인에는 몇 가지 단점들이 존재한다. 그 중 엉클블록 문제는 블록체인의 가치와 활용을 크게 저해할 수 있는 문제 중 하나다. 엉클블록 문제로 인해 블록체인의 가치가 저하 될 수 있음에도 불구하고 이전의 연구들은 엉클블록에 대한 연구에 크게 주목하지 않았다. 따라서 본 연구의 목적은 블록체인의 엉클 블록 문제를 예측하고 대비할 수 있도록 엉클블록의 발생을 예측 하고자 한다. 본 연구는 엉클 블록 발생의 정확한 예측을 위해서 새로운 변수와 앙상블 분석 기법 도입의 타당성을 검증한다. 연구 방법으로 엉클블록 문제가 실제로 발생하는 이더리움의 엉클블록을 대상으로 보팅, 배깅, 스태킹 앙상블 분석 기법을 활용하였다. 분석 데이터로는 이더리움과 비트코인 블록체인 정보를 활용하였다. 연구 결과, 이더리움 블록체인 정보만을 활용하여 보팅, 스태킹 앙상블 기법을 적용할 경우 가장 높은 예측 결과가 나타난다는 사실을 발견하였다. 본 연구의 결과는 엉클블록의 발생을 보다 정확하게 예측하여 블록체인의 엉클블록 문제에 대비할 수 있도록 기여한다.

Abstract ▼ AI-Helper

The advantages of Blockchain present the necessity of Blockchain in various fields. However, there are several disadvantages to Blockchain. Among them, the uncle block problem is one of the problems that can greatly hinder the value and utilization of Blockchain. Although the value of Blockchain may be degraded by the uncle block problem, previous studies did not pay much attention to research on uncle block. Therefore, the purpose of this study attempts to predict the occurrence of uncle block in order to predict and prepare for the uncle block problem of Blockchain. This study verifies the validity of introducing new attributes and ensemble analysis techniques for accurate prediction of uncle block occurrence. As a research method, voting, bagging, and stacking ensemble analysis techniques were employed for Ethereum's uncle block where the uncle block problem actually occurs. We used Blockchain information of Ethereum and Bitcoin as analysis data. As a result of the study, we found that the best prediction result was presented when voting and stacking ensemble techniques were applied using only Ethereum Blockchain information. The result of this study contributes to more accurately predict the occurrence of uncle block and prepare for the uncle block problem of Blockchain.

주제어

표/그림 (4)

표 Table 1. Data Description of Ethereum and Bitcoin
표 Table 2. Analysis Results of ANN and SVM
표 Table 3. Analysis Results of Voting and Bagging
표 Table 4. Analysis Results of Stacking

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 이더리움 엉클블록 발생 예측을 이더리움및 비트코인 블록체인 정보를 활용하여 앙상블 기법으로 분석하고자 하였다. 기존 연구와의 차별 점으로 엉클 블록 관련 선행 연구[4]에서 고려하지 못했던 변수인 비트코인 블록체인 정보의 역할을 발견하고자 하였으며, 앙상블 기법(보팅, 배깅, 스태킹)을 활용하여 보다 향상된 분석 결과를 발견하고자 하였다. 결과적으로, 본 연구는 이더리움 블록체인 정보와 인공 신경망 기반 배깅, 스태킹 앙상블 기법이 이더리움 엉클블록을 예측하는데 가장 최적의 조합이라는 사실을 발견하였다.
본 연구의 연구 질문은 다음과 같다. 첫 번째, 이더리움 엉클블록 예측에 이더리움 블록체인 정보와 비트코인 블록체인 정보가 기여할 수 있는가? 두 번째, 이더리움 엉클블록 예측에 앙상블 기법이 보다 정확한 예측 결과를 제공할 수 있는가? 세 번째, 이더리움 엉클블록을 가장 정확히 예측하는 변수들과 머신러닝 기법 조합은 무엇인가?
다시 말해서, 기존 엉클 블록 연구와 다르게 본 연구가 가지는 차별성은 이더리움 엉클블록 발생과 비트코인 블록체인 정보의 연관성을 새롭게 검증한다는 점이다. 또한, 엉클블록 예측에 보팅, 배깅, 스태킹과 같은 앙상블 기법의 역할을 발견하고자 한다는 것이다.
선행 연구들은 암호화폐 관련 트위터 글의 수, 위키피디아 검색 횟수, 구글 트렌드 검색 횟수 등이 암호화폐 가격과 관련된다고 보고 하였다[10-12]. 또한, 일부 연구에서는 블록체인 시스템에서 생성되는 정보들을 활용하여 암호화폐의 가격을 예측하고자 하였다. 그 결과, 블록 생성 난이도, 생성된 블록의 수, 채굴된 코인 양 등과 같은 블록체인 정보가 암호화폐 가격과 관련된다는 사실을 발견하였다[13-15].
이러한 인식을 기반으로 본 연구는 엉클 블록 발생에 앙상블 기법을 도입하여 엉클 블록 발생 예측에 보다 향상된 분석결과를 제공하고자 한다. 또한, 향상된 분석 결과를 위해 엉클블록 발생과 관련되는 새로운 변수들을 발굴해내고자 한다. 엉클블록 문제에 대비하기 위해서는 엉클블록의 발생을 예측하고 사전에 대응하는 것이 필요하다[4].
본 연구는 선행 연구의 제안에 따라 앙상블 기법의 도입과 함께 엉클블록 발생에 관련되는 새로운 변수를 발견하고자 한다. 다시 말해서, 기존 엉클 블록 연구와 다르게 본 연구가 가지는 차별성은 이더리움 엉클블록 발생과 비트코인 블록체인 정보의 연관성을 새롭게 검증한다는 점이다.
다시 말해서, 각기 다른 단일 기법들이 제시한 결과 값을 기반으로 새로운 최종 분석 모델을 구성하고 분석을 수행하여 최종 결과 값을 도출하는 것이다[29,30]. 본 연구는 앙상블 기법의 단일 분석 기법으로 엉클 블록 선행연구[4]에서 사용된 인공신경망과 서포트 벡터 머신을 적용하고자 한다.
본 연구는 엉클 블록 선행 연구[4] 에서 활용한 인공 신경망, 서포트 벡터 머신 분석 기법에서 더 나아가 보팅 (Voting), 배깅(Bagging), 스태킹(Stacking) 앙상블 기법을 연구에 적용하고자 한다. 위의 세 가지 앙상블 기법을 선정한 이유는 본 연구의 엉클 블록 예측 분석이 연속 변수를 예측하는 분석이기 때문이다.
본 연구는 이더리움 엉클블록 발생 예측을 이더리움및 비트코인 블록체인 정보를 활용하여 앙상블 기법으로 분석하고자 하였다. 기존 연구와의 차별 점으로 엉클 블록 관련 선행 연구[4]에서 고려하지 못했던 변수인 비트코인 블록체인 정보의 역할을 발견하고자 하였으며, 앙상블 기법(보팅, 배깅, 스태킹)을 활용하여 보다 향상된 분석 결과를 발견하고자 하였다.
선행 연구에서는 이더리움 엉클블록 예측에 이더리움 블록체인 정보와 인공 신경망 기법이 최적의 분석 결과를 제공한다고 보고 하였다[4]. 본 연구는 이에 한 걸음 더 나아가 앙상블 기법과 함께 최적의 분석 결과를 도출할 수 있는 데이터 조합을 발견하자 하였다. 본 연구의 결과는 이더리움 엉클블록 연구에 인공 신경망 기반 배깅, 스태킹 앙상블 기법과 이더리움 블록체인 정보가 우선적으로 고려되어야 할 필요성을 제시한다.
본 연구는 이에 한 걸음 더 나아가 앙상블 기법과 함께 최적의 분석 결과를 도출할 수 있는 데이터 조합을 발견하자 하였다. 본 연구의 결과는 이더리움 엉클블록 연구에 인공 신경망 기반 배깅, 스태킹 앙상블 기법과 이더리움 블록체인 정보가 우선적으로 고려되어야 할 필요성을 제시한다. 본 연구를 기반으로 블록체인 관련 시스템을 운용하고자 하는 관리자는 엉클블록 문제에 대비하여 보다 정확한 예측을 수행할 수 있을 것이다.
이러한 인식을 기반으로 본 연구는 엉클 블록 발생에 앙상블 기법을 도입하여 엉클 블록 발생 예측에 보다 향상된 분석결과를 제공하고자 한다. 또한, 향상된 분석 결과를 위해 엉클블록 발생과 관련되는 새로운 변수들을 발굴해내고자 한다.
암호화폐들은 실제 마켓에서 상호 거래가 이루어지고 있으며, 각각의 블록체인 정보들은 서로 관련될 수 있는 가능성이 존재한다[18]. 이러한 인식을 기반으로 본 연구는 이더리움과 함께 암호화폐 시장에서 가장 대중적이고 지배적인 암호화폐인 비트코인[13]의 블록체인 정보를 활용하고자 한다. 분석 방법으로는 기존 연구의 제안에 따라[4] 앙상블 머신 러닝 기법을 도입하고자 한다.
본 연구는 연구 질문과 연계하여 다음과 같은 기여 사항을 제시한다. 첫 번째, 본 연구는 이더리움 엉클블록 예측에 이더리움 정보만을 활용하는 것이 적절하다는 결과를 제시한다. 기존 연구에서는 이더리움 엉클블록 예측에 이더리움 블록체인 정보와 함께 금 가격, 원유 가격 등과 같은 거시경제 요인을 함께 고려하였다.

가설 설정

본 연구의 연구 질문은 다음과 같다. 첫 번째, 이더리움 엉클블록 예측에 이더리움 블록체인 정보와 비트코인 블록체인 정보가 기여할 수 있는가? 두 번째, 이더리움 엉클블록 예측에 앙상블 기법이 보다 정확한 예측 결과를 제공할 수 있는가? 세 번째, 이더리움 엉클블록을 가장 정확히 예측하는 변수들과 머신러닝 기법 조합은 무엇인가?

제안 방법

첫 단계로, 인공 신경망과 서포트 벡터 머신 단일 분석 기법으로 이더리움과 비트코인 블록체인 정보를 활용하여 이더리움 엉클블록 발생을 분석한다. 두 번째 단계에서는, 보팅, 배깅, 스태킹 앙상블 기법들과 이더리움 및 비트코인 블록체인 정보를 활용하여 이더리움 엉클블록 발생을 예측한다.
시계열 예측 분석을 위해 종속 변수인 엉클 블록의 발생 수를 당일 데이터 날짜 기준 (t)으로 설정했으며, 독립 변수들은 종속 변수 날짜의 하루 전 (t-1)으로 설정하였다. 또한, 예측 분석을 위해 선행 연구들을 참고[4,13]하여 종속 변수인 엉클블록 발생 수를 로그 (log) 함수로 변환하였다. 본 연구에서 독립 변수로 활용되는 변수들의 설명과 평균 및 표준 편차 값을 아래 표 1에 정리하였다.
회귀 문제에서 보팅은 각각의 분석 기법들이 도출한 예측 평균을 계산하여 최적의 분석 결과를 선택한다[27]. 배깅은 데이터 셋을 부트스트랩핑(Bootstrapping)으로 증가시킨 후 단일 분석 기법을 활용하여 여러 모델로 분석한다. 그 후 분석 결과 값들의 평균을 활용하여 최적의 결과 값을 제시하는 앙상블 기법이다[28].
엉클블록과 관련된 문제가 블록체인의 가치를 저하시키고 이에 관련된 선행 연구가 탐험적 연구로써 첫 걸음을 내딛고 있는 상황에서 엉클블록과 관련된 연구는 지속적으로 수행될 필요가 있다. 본 연구는 선행연구에서 제시한 바와 같이 보다 정확한 엉클블록 발생의 예측을 위해 보팅, 배깅, 스태킹 앙상블 기법을 적용하여 분석을 수행하였다. 연구 결과, 배깅과 스태킹 앙상블 기법이 기존의 연구 결과보다 향상된 예측 결과를 제시한다는 사실을 발견하였다.
그 결과, 거시경제 요인보다 이더리움 블록체인 정보만 고려하였을 때 이더리움 엉클블록 예측을 더 정확히 수행할 수 있다는 사실을 발견하였다[4]. 본 연구는 이더리움 블록체인 정보와 연관성이 언급되는 비트코인 블록체인 정보[18]를 활용하여 이더리움 엉클블록과의 관계를 분석하였다. 결과적으로, 비트코인 블록체인 정보보다는 이더리움 블록체인만을 고려하였을 때 향상된 분석 결과를 도출할 수 있다는 사실을 발견하였다.
앞서 언급한대로, 본 연구는 앙상블 분석을 수행하기 전에 인공 신경망과 서포트 벡터 머신 단일 분석 기법들을 활용하여 분석을 수행하였다. 아래 표 2에서 볼 수 있 듯이, 전반적으로 서포트 벡터 머신 분석 기법보다 인공신경망의 분석 결과가 보다 정확한 예측 결과 값을 제공하는 것으로 나타났다.
본 연구의 분석은 다음과 같은 단계로 진행한다. 첫 단계로, 인공 신경망과 서포트 벡터 머신 단일 분석 기법으로 이더리움과 비트코인 블록체인 정보를 활용하여 이더리움 엉클블록 발생을 분석한다. 두 번째 단계에서는, 보팅, 배깅, 스태킹 앙상블 기법들과 이더리움 및 비트코인 블록체인 정보를 활용하여 이더리움 엉클블록 발생을 예측한다.

대상 데이터

info/) 사이트의 데이터를 활용하였다. 데이터의 기간은 2015년도 7월 30일 부터 2018년 11월 28일까지이며, 데이터 단위는 일 (Daily) 단위로 구성되었다. 시계열 예측 분석을 위해 종속 변수인 엉클 블록의 발생 수를 당일 데이터 날짜 기준 (t)으로 설정했으며, 독립 변수들은 종속 변수 날짜의 하루 전 (t-1)으로 설정하였다.
엉클블록 문제에 대비하기 위해서는 엉클블록의 발생을 예측하고 사전에 대응하는 것이 필요하다[4]. 본 연구는 엉클블록 발생 예측을 위해 이더리움 블록체인을 연구 대상으로 선정하고자 한다. 이더리움의 경우 비트코인과 다르게 엉클 블록에 대한 보상이 지급되기 때문에 엉클블록 문제가 더욱 빈번하고 심각하게 발생할 수 있으며, 실제로 엉클블록의 극심한 하드포크로 인해 완전히 새로운 이더리움 블록체인 노드가 생성된 사례가 존재한다[17].
블록체인 정보들은 블록체인 관련 사이트에서 무료로 투명하게 공개되고 있다. 본 연구에서 활용되는 이더리움 데이터는 이더스캔 (https://etherscan.io/) 사이트를 통해 확보하였으며, 비트코인 데이터는 블록체인 닷컴 (https://blockchain.info/) 사이트의 데이터를 활용하였다. 데이터의 기간은 2015년도 7월 30일 부터 2018년 11월 28일까지이며, 데이터 단위는 일 (Daily) 단위로 구성되었다.

데이터처리

단일 분석 기법으로 인공 신경망과 서포트 벡터 머신이 활용되었으며, 앙상블 기법으로는 보팅, 배깅, 스태킹을 적용하였다. 추가로, 본 연구의 결과 신뢰도를 확보하기 위해서 10겹 교차 검증(10-fold Cross Validation)을 수행하였다[31]. 분석 결과를 평가하기 위해 선행 연구를 참조하여 평균 절대 백분율 오차(Mean Absolute Percentage Error : MAPE)와 평균 제곱근 오차(Root Mean Squared Error : RMSE)의 기준을 활용하였다[4,13].

이론/모형

002 버전을 활용하였다. 단일 분석 기법으로 인공 신경망과 서포트 벡터 머신이 활용되었으며, 앙상블 기법으로는 보팅, 배깅, 스태킹을 적용하였다. 추가로, 본 연구의 결과 신뢰도를 확보하기 위해서 10겹 교차 검증(10-fold Cross Validation)을 수행하였다[31].
본 연구는 예측 분석을 수행하기 위해 분석 툴로 래피드 마이너(Rapid Miner) 9.7.002 버전을 활용하였다. 단일 분석 기법으로 인공 신경망과 서포트 벡터 머신이 활용되었으며, 앙상블 기법으로는 보팅, 배깅, 스태킹을 적용하였다.
본 연구는 인공 신경망과 서포트 벡터 머신을 기반으로 한 앙상블 기법을 활용하여 분석을 수행하였다. 표 3과 표 4에 앙상블 기법의 분석 결과를 제시하였다.
추가로, 본 연구의 결과 신뢰도를 확보하기 위해서 10겹 교차 검증(10-fold Cross Validation)을 수행하였다[31]. 분석 결과를 평가하기 위해 선행 연구를 참조하여 평균 절대 백분율 오차(Mean Absolute Percentage Error : MAPE)와 평균 제곱근 오차(Root Mean Squared Error : RMSE)의 기준을 활용하였다[4,13]. 본 연구의 분석은 다음과 같은 단계로 진행한다.
이러한 인식을 기반으로 본 연구는 이더리움과 함께 암호화폐 시장에서 가장 대중적이고 지배적인 암호화폐인 비트코인[13]의 블록체인 정보를 활용하고자 한다. 분석 방법으로는 기존 연구의 제안에 따라[4] 앙상블 머신 러닝 기법을 도입하고자 한다. 앙상블 기법은 단일 머신 러닝 분석 기법들이 가질 수 있는 장점들을 다양하게 조합하기 때문에 단일 분석 기법만을 활용하였을 때보다 향상된 분석 결과를 얻을 수 있다[19].

성능/효과

기존 연구와의 차별 점으로 엉클 블록 관련 선행 연구[4]에서 고려하지 못했던 변수인 비트코인 블록체인 정보의 역할을 발견하고자 하였으며, 앙상블 기법(보팅, 배깅, 스태킹)을 활용하여 보다 향상된 분석 결과를 발견하고자 하였다. 결과적으로, 본 연구는 이더리움 블록체인 정보와 인공 신경망 기반 배깅, 스태킹 앙상블 기법이 이더리움 엉클블록을 예측하는데 가장 최적의 조합이라는 사실을 발견하였다.
본 연구는 이더리움 블록체인 정보와 연관성이 언급되는 비트코인 블록체인 정보[18]를 활용하여 이더리움 엉클블록과의 관계를 분석하였다. 결과적으로, 비트코인 블록체인 정보보다는 이더리움 블록체인만을 고려하였을 때 향상된 분석 결과를 도출할 수 있다는 사실을 발견하였다.
또 다른 연구에서는 거시 경제 요인과 블록체인 정보를 머신 러닝 기법에 적용하여 엉클 블록 발생을 예측하고자 하였다. 그 결과, 인공 신경망 머신러닝 기법으로 블록 체인 정보를 분석하였을 때 엉클 블록 발생을 가장 정확 하게 예측할 수 있다는 사실을 발견하였다. 또한, 엉클 블록의 발생 예측에 앙상블 기법과 같은 다양한 머신러닝분석 기법의 도입이 필요하다고 강조하였다[4].
아래 표 2에서 볼 수 있 듯이, 전반적으로 서포트 벡터 머신 분석 기법보다 인공신경망의 분석 결과가 보다 정확한 예측 결과 값을 제공하는 것으로 나타났다. 단일 분석 기법만을 고려한 경우에는 인공 신경망과 이더리움 블록체인 정보만을 활용하였을 때 결과가 개선된 것을 확인 할 수 있었다(MAPE =0.007, RMSE = 0.027). 반면에, 인공 신경망과 비트코인 블록체인 정보만을 활용한 경우에는 분석 결과가 개선되지 않는 것으로 나타났다(MAPE = 0.
025). 또한, 스태킹의 경우에도 이더리움 블록체인 정보만을 활용하여 분석 한 경우 인공 신경망 기반 배깅과 동일하게 최적의 분석 결과를 제공하는 것으로 나타났다(MAPE =0.007, RMSE = 0.025). 요약하면, 평균 제곱근 오차(RMSE)의 기준으로 보았을 때 인공 신경망보다 배깅, 스태킹 앙상블 기법의 예측 오차가 개선된 것을 발견할 수 있었다.
027)보다 상대적으로 좋지 못한 분석 결과를 제시하는 것을 확인할 수 있었다. 반면에 배깅의경우 인공 신경망을 기본 베이스로 설정한 배깅(Bagging with ANN)이 이더리움 블록체인 정보와 함께 고려되었을 때 가장 좋은 분석 결과를 제공한다는 사실을 발견할 수 있었다(MAPE = 0.007, RMSE = 0.025). 또한, 스태킹의 경우에도 이더리움 블록체인 정보만을 활용하여 분석 한 경우 인공 신경망 기반 배깅과 동일하게 최적의 분석 결과를 제공하는 것으로 나타났다(MAPE =0.
표 3과 4에 최적의 분석 결과 값을 굵은 글씨로 강조하였다. 반면에 보팅, 배깅, 스태킹 앙상블 기법 모두 비트코인 블록체인 정보만을 고려하거나 이더리움과 비트코인 블록체인 정보 모두를 고려한 경우에는 분석 결과가 개선되지 않았다.
027). 반면에, 인공 신경망과 비트코인 블록체인 정보만을 활용한 경우에는 분석 결과가 개선되지 않는 것으로 나타났다(MAPE = 0.028, RMSE =0.108). 또한, 인공 신경망과 이더리움 및 비트코인 블록 체인 정보를 적용한 경우에도 분석 결과는 개선되지 않 았다(MAPE = 0.
본 연구의 분석 결과들은 앙상블 기법에서 얻을 수 있는 강점이 반영된 결과로 볼 수 있으며, 이더리움 엉클블록 예측에 이더리움 블록체인 정보가 가장 밀접하게 관련되어 있다는 사실을 제공한다.
표 3과 표 4에 앙상블 기법의 분석 결과를 제시하였다. 분석 결과를 살펴보면, 보팅의 경우 이더리움 및 비트코인 블록체인 정보를 활용하여 분석한 예측 결과(MAPE =0.014, RMSE = 0.053)가 이더리움 블록체인 정보를 기반으로 인공 신경망 단일 분석만을 활용한 결과(MAPE =0.007, RMSE = 0.027)보다 상대적으로 좋지 못한 분석 결과를 제시하는 것을 확인할 수 있었다. 반면에 배깅의경우 인공 신경망을 기본 베이스로 설정한 배깅(Bagging with ANN)이 이더리움 블록체인 정보와 함께 고려되었을 때 가장 좋은 분석 결과를 제공한다는 사실을 발견할 수 있었다(MAPE = 0.
두 번째, 본 연구는 이더리움 엉클블록 발생과 관련되는 새로운 추가 변수로 비트코인 블록체인 정보만을 고려하였다는 한계점을 가진다. 비록 선행 연구에서 이더리움 블록체인 정보와 비트코인 블록체인 정보가 서로 연관되어 있다는 사실을 제공하였지만[18], 결과적으로, 본 연구에서는 이더리움 블록체인 정보만이 이더리움 엉클 블록 발생과 관련이 있는 것으로 나타났다. 하지만 비트 코인 이외에 모네로, 대시, 리플 등의 다양한 블록체인 정보 또한 존재한다.
앞서 언급한대로, 본 연구는 앙상블 분석을 수행하기 전에 인공 신경망과 서포트 벡터 머신 단일 분석 기법들을 활용하여 분석을 수행하였다. 아래 표 2에서 볼 수 있 듯이, 전반적으로 서포트 벡터 머신 분석 기법보다 인공신경망의 분석 결과가 보다 정확한 예측 결과 값을 제공하는 것으로 나타났다. 단일 분석 기법만을 고려한 경우에는 인공 신경망과 이더리움 블록체인 정보만을 활용하였을 때 결과가 개선된 것을 확인 할 수 있었다(MAPE =0.
Kim (2020)는 거시경제 변수, 이더리움 블록체인 정보, 머신러닝 기법을 활용하여 이더리움 엉클블록 발생을 예측하였다[4]. 연구 결과 이더리움 블록체인 정보와 인공 신경망(Artificial Neural Network: ANN) 기법을 활용하였을 때 최적의 예측성과를 얻을 수 있다는 사실을 발견하였다. 또한, 엉클블록 발생에 앙상블 기법과 같은 다양한 머신러닝 기법들을 활용하여 보다 정확한 엉클블록 예측 연구가 필요하다고 제안하였다[4].
본 연구는 선행연구에서 제시한 바와 같이 보다 정확한 엉클블록 발생의 예측을 위해 보팅, 배깅, 스태킹 앙상블 기법을 적용하여 분석을 수행하였다. 연구 결과, 배깅과 스태킹 앙상블 기법이 기존의 연구 결과보다 향상된 예측 결과를 제시한다는 사실을 발견하였다. 본 연구의 발견은 향후 엉클블록 관련 연구에서 앙상블 기법의 역할과 필요성을 제시한다는 학문적 의의를 가진다.
025). 요약하면, 평균 제곱근 오차(RMSE)의 기준으로 보았을 때 인공 신경망보다 배깅, 스태킹 앙상블 기법의 예측 오차가 개선된 것을 발견할 수 있었다. 평균 절대 백분율 오차(MAPE) 기준으로 결과를 해석해보면, 이더리움의 엉클 블록 발생 예측을 천 번 수행하였을 때 정확한 값을 예측 하지 못할 경우는 일곱 번이라는 것으로 해석 할 수 있다.
요약하면, 평균 제곱근 오차(RMSE)의 기준으로 보았을 때 인공 신경망보다 배깅, 스태킹 앙상블 기법의 예측 오차가 개선된 것을 발견할 수 있었다. 평균 절대 백분율 오차(MAPE) 기준으로 결과를 해석해보면, 이더리움의 엉클 블록 발생 예측을 천 번 수행하였을 때 정확한 값을 예측 하지 못할 경우는 일곱 번이라는 것으로 해석 할 수 있다. 표 3과 4에 최적의 분석 결과 값을 굵은 글씨로 강조하였다.

후속연구

두 번째, 본 연구는 이더리움 엉클블록 발생과 관련되는 새로운 추가 변수로 비트코인 블록체인 정보만을 고려하였다는 한계점을 가진다. 비록 선행 연구에서 이더리움 블록체인 정보와 비트코인 블록체인 정보가 서로 연관되어 있다는 사실을 제공하였지만[18], 결과적으로, 본 연구에서는 이더리움 블록체인 정보만이 이더리움 엉클 블록 발생과 관련이 있는 것으로 나타났다.
본 연구의 결과는 이더리움 엉클블록 연구에 인공 신경망 기반 배깅, 스태킹 앙상블 기법과 이더리움 블록체인 정보가 우선적으로 고려되어야 할 필요성을 제시한다. 본 연구를 기반으로 블록체인 관련 시스템을 운용하고자 하는 관리자는 엉클블록 문제에 대비하여 보다 정확한 예측을 수행할 수 있을 것이다. 특히, 이더리움 기반 시스템을 이용하고자 하고자 할 경우 본 연구에서 제시한 앙상블 기법과 데이터 조합을 활용하여 엉클블록의 발생을 예측하고 사전에 대비할수 있을 것으로 사료된다.
기존 엉클블록 연구에서는 인공 신경망과 서포트 벡터 머신 단일 분석 기법만을 활용하여 연구를 수행하였다[4]. 엉클블록과 관련된 문제가 블록체인의 가치를 저하시키고 이에 관련된 선행 연구가 탐험적 연구로써 첫 걸음을 내딛고 있는 상황에서 엉클블록과 관련된 연구는 지속적으로 수행될 필요가 있다. 본 연구는 선행연구에서 제시한 바와 같이 보다 정확한 엉클블록 발생의 예측을 위해 보팅, 배깅, 스태킹 앙상블 기법을 적용하여 분석을 수행하였다.
블록체인 관련 연구에서는 암호화폐 예측에 구글 트렌드, 트윗, 블록체인 커뮤니티 사이트의 의견 글 등의 소셜 미디어 데이터가 암호화폐와 관련되어 있다는 사실을 발견해왔다[10-12]. 이러한 사실에 기반하여 향후 연구에서는 엉클블록 발생과 블록체인 관련 소셜 미디어 데이터의 관련성을 검토해보아야 할 것이다.
본 연구의 한계점 및 향후 연구 방향은 다음과 같다. 첫 번째, 본 연구는 블록체인 관련 소셜 미디어 데이터를 활용하지 않았다는 한계점을 가진다. 블록체인 관련 연구에서는 암호화폐 예측에 구글 트렌드, 트윗, 블록체인 커뮤니티 사이트의 의견 글 등의 소셜 미디어 데이터가 암호화폐와 관련되어 있다는 사실을 발견해왔다[10-12].
추가로, 본 연구는 엉클블록 예측에 이더리움 블록체인 정보와 함께 새로운 변수로 비트코인 블록체인 정보를 활용하고자 한다. 암호화폐들은 실제 마켓에서 상호 거래가 이루어지고 있으며, 각각의 블록체인 정보들은 서로 관련될 수 있는 가능성이 존재한다[18].
본 연구를 기반으로 블록체인 관련 시스템을 운용하고자 하는 관리자는 엉클블록 문제에 대비하여 보다 정확한 예측을 수행할 수 있을 것이다. 특히, 이더리움 기반 시스템을 이용하고자 하고자 할 경우 본 연구에서 제시한 앙상블 기법과 데이터 조합을 활용하여 엉클블록의 발생을 예측하고 사전에 대비할수 있을 것으로 사료된다.
하지만 비트 코인 이외에 모네로, 대시, 리플 등의 다양한 블록체인 정보 또한 존재한다. 향후 연구에서는 다양한 블록체인 정보를 고려하여 엉클블록 발생과 관련되는 새로운 변수들을 발굴해야 할 것이다.

참고문헌 (31)

S. W. Kim & H. S. Park. (2020). An Exploratory Study on the Factors Determining Acceptance of Blockchain-Based Financial Platform by Gender. Journal of Digital Convergence, 18(3), 139-147. DOI : 10.14400/JDC.2020.18.3.139

원문보기 상세보기
Y. H. Kim. (2019). A Study on Smart Contract for Personal Information Protection. Journal of Digital Convergence, 17(3), 215-220. DOI : 10.14400/JDC.2019.17.3.215

원문보기 상세보기
A. M. Antonopoulos & G. Wood. (2018) Mastering Ethereum: Building Smart Contracts and Dapps, O'Reilly Media.
H. M. Kim. (2020). A Study on Uncle Block Analysis of Blockchain Using Machine Learning Techniques. Information Systems Review, 22(1), 1-16. DOI : 10.14329/isr.2020.22.1.001

원문보기 상세보기
C. Bai & J. Sarkis. (2020). A supply chain transparency and sustainability technology appraisal model for blockchain technology. International Journal of Production Research, 58(7), 2142-2162. DOI : 10.1080/00207543.2019.1708989

상세보기
X. Yue, H. Wang, D. Jin, M. Li & W. Jiang. (2016). Healthcare data gateways: found healthcare intelligence on blockchain with novel privacy risk control. Journal of medical systems, 40(10), 218. DOI : 10.1007/s10916-016-0574-6

상세보기
T. T. Kuo, H. E. Kim & L. Ohno-Machado, (2017). Blockchain distributed ledger technologies for biomedical and health care applications. Journal of the American Medical Informatics Association, 24(6), 1211-1220. DOI : 10.1093/jamia/ocx068

상세보기
A. O. Kwok & S. G. Koh. (2019). Is blockchain technology a watershed for tourism development?. Current Issues in Tourism, 22(20), 2447-2452. DOI : 10.1080/13683500.2018.1513460

상세보기
H. Si, C. Sun, Y. Li, H. Qiao & L. Shi. (2019). IoT information sharing security mechanism based on blockchain technology. Future Generation Computer Systems, 101, 1028-1040. DOI : 10.1016/j.future.2019.07.036

상세보기
J. Abraham, D. Higdon, J. Nelson & J. Ibarra. (2018). Cryptocurrency price prediction using tweet volumes and sentiment analysis. SMU Data Science Review, 1(3), 1.
Y. B. Kim, J. G. Kim, W. Kim, J. H. Im, T. H. Kim, S. J. Kang & C. H. Kim. (2016). Predicting fluctuations in cryptocurrency transactions based on user comments and replies. PloS one, 11(8), e0161197. DOI : 10.1371/journal.pone.0161197

상세보기
L. Kristoufek. (2013). BitCoin meets Google Trends and Wikipedia: Quantifying the relationship between phenomena of the Internet era. Scientific reports, 3(1), 1-7. DOI : 10.1038/srep03415

상세보기
H. Jang & J. Lee. (2017). An empirical study on modeling and prediction of bitcoin prices with bayesian neural networks based on blockchain information. Ieee Access, 6, 5427-5437. DOI : 10.1109/ACCESS.2017.2779181

상세보기
D. C. Mallqui & R. A. Fernandes. (2019). Predicting the direction, maximum, minimum and closing prices of daily Bitcoin exchange rate using machine learning techniques. Applied Soft Computing, 75, 596-606. DOI : 10.1016/j.asoc.2018.11.038

상세보기
M. Saad, J. Choi, D. Nyang, J. Kim & A. Mohaisen. (2019). Toward characterizing blockchain-based cryptocurrencies for highly accurate predictions. IEEE Systems Journal, 14(1), 321-332. DOI : 10.1109/JSYST.2019.2927707

상세보기
Y. Liu, Y. Hei, T. Xu & J. Liu. (2020). An Evaluation of Uncle Block Mechanism Effect on Ethereum Selfish and Stubborn Mining Combined With an Eclipse Attack. IEEE Access, 8, 17489-17499. DOI : 10.1109/ACCESS.2020.2967861

상세보기
W. Foxley. (11, Augest 2020). Ethereum Classic's Terrible, Horrible, No Good, Very Bad Week. Coindesk. https://www.coindesk.com/ethereum-classics-terrible-horrible-no-good-very-bad-week
H. M. Kim, G. W. Bock & G. Lee. (2019). Predicting Ethereum Prices using Machine Learning and Block Chain Information. AMCIS 2019 Proceeding. (pp. 1-5).
L. Rokach. (2010). Pattern classification using ensemble methods. Singapore : World Scientific. DOI : 10.1142/7238
A. M. Antonopoulos. (2014). Mastering Bitcoin: Unlocking Digital Cryptocurrencies. USA : O'Reilly Media Inc.
M. M. Islam & K. Murase. (2001). A new algorithm to design compact two-hidden-layer artificial neural networks. Neural Networks, 14(9), 1265-1278. DOI : 10.1016/S0893-6080(01)00075-2

상세보기
K. P. Murphy. (2012). Machine learning: a probabilistic perspective. London : MIT press.
C. Cortes & V. Vapnik. (1995). Support-vector networks. Machine learning, 20(3), 273-297. DOI : 10.1007/BF00994018

상세보기
P. Wang. (2011). Pricing currency options with support vector regression and stochastic volatility model with jumps. Expert Systems with Applications, 38(1), 1-7. DOI : 10.1016/j.eswa.2010.05.037

상세보기
N. F. F. Da Silva, E. R. Hruschkaa & E. R. Hruschka. (2014). Tweet sentiment analysis with classifier ensembles. Decision Support Systems, 66, 170-179. DOI : 10.1016/j.dss.2014.07.003

상세보기
A. S. Assiri, S. Nazir & S. A. Velastin, (2020). Breast Tumor Classification Using an Ensemble Machine Learning Method. Journal of Imaging, 6(6), 39. DOI : 10.3390/jimaging6060039

상세보기
K. An & J. Meng. (2010). Voting-averaged combination method for regressor ensemble. In International Conference on Intelligent Computing (pp. 540-546). Berlin : Springer.
G. Wang, J. Sun, J. Ma, K. Xu & J. Gu. (2014). Sentiment classification: The contribution of ensemble learning. Decision support systems, 57, 77-93. DOI : 10.1016/j.dss.2013.08.002

상세보기
F. Divina, A. Gilson, F. Gomez-Vela, M. Garcia Torres & J. F. Torres. (2018). Stacking ensemble learning for short-term electricity consumption forecasting. Energies, 11(4), 949. DOI : 10.3390/en11040949

상세보기
X. Hu, H. Zhang, H. Mei, D. Xiao, Y. Li & M. Li. (2020). Landslide Susceptibility Mapping Using the Stacking Ensemble Machine Learning Method in Lushui, Southwest China. Applied Sciences, 10(11), 4016. DOI : 10.3390/app10114016

상세보기
H. Lee, S. H. Chung & E. J. Choi. (2016). A case study on machine learning applications and performance improvement in learning algorithm. Journal of Digital Convergence, 14(2), 245-258. DOI : 10.14400/JDC.2016.14.2.245

원문보기 상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증