[논문]Untact 시대의 효율적인 정부자금 지출을 위한 Consortium Blockchain과 Machine Learning 설계

오락성; 박대우

doi:10.6109/jkiice.2021.25.2.178

[국내논문] Untact 시대의 효율적인 정부자금 지출을 위한 Consortium Blockchain과 Machine Learning 설계
Consortium Blockchain and Machine Learning Design for Efficient Government fund expenditure in Untact Era 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.2, 2021년, pp.178 - 186

오락성 (Department of Convergence Engineering, Hoseo Graduate School of Venture at Hoseo University) , 박대우 (Department of Convergence Engineering, Hoseo Graduate School of Venture at Hoseo University)

초록
AI-Helper

COVID-19는 2019. 12. 중국에서 발생되어 전 세계로 전파되었다. COVID-19 확산으로 일상화되고 있는 Untact 문화는 사회전반으로 디지털 전환을 가속화하고 있다. 정부는 COVID-19 등 국가 위기상황 극복을 위하여 정부자금지출을 증가하고 있다. 이러한 정부자금을 효율적으로 집행하기 위해 정부와 정책 금융기관은 두가지 방안을 강구할 필요가 있다. 하나는 투명한 정부자금 집행 프로세스를 정립하는 것이고, 또 하나는 심사과정의 객관성을 확보하는 것이다. 본 논문은 이 문제를 해결하기 위하여 정부로부터 실수요자까지 이어지는 정부자금의 집행과정을 Consortium Blockchain으로 설계하고, 정책 금융기관의 내부 심사를 위한 Machine Learning 알고리즘을 설계하였다. 본 논문에서 제안한 연구자료는 정부자금 집행에 대한 향후 정부정책 방향 설정에 도움이 될 것이다.

Abstract ▼ AI-Helper

COVID-19 occurred in China in December 2019 and spread to the world. Untact culture becoming commonplace due to the spread of COVID-19, is accelerating digital transformation across society. The government is increasing government fund to overcome national crisis situations such as COVID-19. In order to efficiently execute these government funds, the government and policy financial institutions need to come up with two measures. One is to establish a transparent government fund execution process, and the other is to secure the objectivity of the review process. In this paper, to solve this problem, we designed the execution process of government funds from the government to end users with Consortium Blockchain, and designed a machine learning algorithm for internal review of policy financial institutions. The research data proposed in this paper will be helpful in setting the future government policy direction for government fund execution.

Keyword

표/그림 (15)

그림 Fig. 1 Deep Learning and Machine Learning
그림 Fig. 2 Government fund process
그림 Fig. 3 Example of network construction process
그림 Fig. 4 Transaction process
표 Table. 1 Components and Roles of Hyperledger Fabric
그림 Fig. 5 Blockchain Channel and Chain Code
표 Table. 2 Participants and Roles of Peer Channels
그림 Fig. 6 Financial institution review process
그림 Fig. 7 Machine Learning design structure for corporate finance review
그림 Fig. 8 Input variable selection Model
그림 Fig. 9 AI review model structure
표 Table. 3 Input data
그림 Fig. 10 Impact on Predicted Results of Variables
표 Table. 4 Final model
표 Table. 5 Comparisons between Statistical Model and AI Model

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 정부자금 지출의 투명성 및 효율성 등을 확보하기 위하여 Consortium Blockchain 기반 정부자금 지출 프로세스를 설계하고, 객관적이고 공정한 정부자금 지출 심사를 위하여 정책 금융기관의 내부 심사 모형을 Machine Learning 기술을 활용하여 설계한다.
본 논문에서는 이러한 심사모형의 한계점을 극복하기 위하여 객관성과 공정성이 확보되고 심사자의 편견을 배제할 수 있는 Machine Learning 기반 심사모형을 설계한다.
맞춘다. 본 논문의 분석대상 데이터는 정상 건수가 부도 건수에 비해 47.5배 많기 때문에, 데이터 불균형으로 인해 정상 데이터로 편향되어 학습이 진행되는 것을 방지하기 위해서이다.
본 논문은 XAI 방법론 중 PDP 방법론으로 Hidden_Layer를 해석하는 방안을 제시함으로써 인과관계가 명확해야 하는 금융권, 특히 기업금융 심사에서의 활용 가능성을 높였다. PDP 방법론을 적용한 이유는 입력변수 각각의 의미가 중요한 점을 감안하였다.
본 논문은 Consortim Blockchain을 적용한 정부 자금지출 프로세스 개선안과 정책 금융기관에서 활용 가능한 정부자금 지출을 위한 내부 심사 모형을 Machine Learning 기술을 활용하여 설계하였다.

제안 방법

본 논문은 정부자금 지출 거래의 생성부터 Peer에 블록이 저장되기까지의 전 과정에 대한 보증정책 확인, 거래를 순서에 맞게 정렬하는 과정, 정렬된 거래의 유효성 검증 과정 및 분산원장에 최신 블록을 업데이트하는 과정 전부를 합의 과정으로 인식한다. Hyperledger Fabric 의 구성요소와 역할 및 기능은 표 1과 같다[12].
우선 Consortium 참여조직 간의 협의를 통하여 Ordering 서비스 노드를 구축하며 Ordering 서비스 노드를 통한 채널을 생성하고 각 참여 조직의 Peer를 설치한 후 관련 채널에 참여한다. 다음으로 Chain Code와 DApp 을 설치하는 순으로 진행한다.
Endorser는 Chain Code를시뮬레이트하여 생성된 Read/Write set를 확인하고 Read/Write set과 서명한 디지털 인증서를 DApp에 전달한다. Endorser로부터 시뮬레이션 결과 값을 전달받은 DAppe 블록을 생성하기 위해 Read/Write set과 Endorser 의 디지털 인증서가 담긴 트랜잭션을 Orderer에게 브로드캐스트한다. 트랜잭션을 수신한 Orderer는 트랜잭션 정렬을 위하여 타임스탬프 필드 등을 확인하고, 정해진 순서대로 트랜잭션을 정렬하여 새로운 블록을 생성한다.
Blockchain 참여자들 간의 Privacy 강화와 Blockchain 의 목적 달성을 위해 참여자를 3채널로 구성한다. 채널 1의 참여자는 정부, 정책 금융기관 및 실수요자로서 자금의 직접적인 이전 거래가 발생하는 채널이다.
본 논문에서는 Anaconda3, Python 3.7 프로그램을 활용하여 Machine Learning Algorithm을 설계하며 전체적인 프로세스는 그림 7과 같다.
데이터 전처리 과정(Data preprocessing) 및 심사에 유의성이 낮은 변수를 제거하기 위하여 Importance와 Dropout 과정을 거쳐 본 모델에 적용할 최종 입력변수를 선택한다. 최종 입력변수를 선택하기 위하여 사용되는 최초 입력변수는 표 3과 같이 35개 지표를 선정한다.
부도 데이터는 복원추출, 정상 데이터는 비복원추출 샘플링 방법을 사용하여 부도 건수와 정상 건수의 학습 비율을 맞춘다. 본 논문의 분석대상 데이터는 정상 건수가 부도 건수에 비해 47.
Dropoute 산출된 Importance 값이 가장 낮은 변수부터 누적적으로 변수가 한 개 남을 때까지 오름차순으로 제거하면서 재학습해 변수의 개수에 따른 모델의 학습력을 측정한다.
추가적으로 Machine Learning을 활용한 Main 모델의 성능을 높이기 위해 노드 수와 Dropout 비율 등의 Hyperparameter Tuning을 진행한다. 이때 과적합 방지와 최적화 등을 고려하여야 한다.
모델 Tuning을 종료한 후 Variance가 낮으면서 AR(Accuracy ratio)이 높은 값을 갖는 모델을 최종 모델로 선택한다. Variance는 훈련 데이터의 정확도와 검증데이터의 정확도의 평균적인 차이를 의미하며, ARe 사전부도 예측력 검증 지표로서 높을수록 우수한 모델이다.
PDP는 피처(Feature)의 수치 변화에 따라 모델에 기여하는 정도가 어떻게 달라지는지 확인할 수 있는 XAI 기법이다. 산출하는 방법은 Machine Learning 모델에서 한 개 변수의 값을 0부터 1사이로 0.1씩 이동하면서 모델의 예측점수를 산출하고, 그 변동성을 측정하여 각 변수가 예측결과에 미치는 영향도를 산출한다. 영향도는 변수의 입력값 변화에 따라 그 결과값에 얼마만큼 영향을 미치는 지를 측정하는 척도로 그림 10과 같이 각 변수의 최대 예측점수에서 각 변수의 최소 예측점수를 차감하여 산출한다.
Consortium Blockchain 형태의 Hyperledger Fabrice 스마트 계약(Chain Code) 체결과 직접적인 자금 이전이 가능하도록 설계하였다. 또한, Machine Learning 심사모형은 인간의 편견이 배제된 공정하고 객관적인 심사가 가능하도록 설계하였다.
설계하였다. 또한, Machine Learning 심사모형은 인간의 편견이 배제된 공정하고 객관적인 심사가 가능하도록 설계하였다.

대상 데이터

7. 제2차 비상경제 중앙대책본부 회의를 통해 ‘한국판 New Deal’ 정책의 중점과제로 디지털 인프라 구축, Untact 산업 집중 육성 등을 선정하였다. 또한, 2020.
채널 2 는 실수요자의 신용보강을 위한 보증기관의 정책 금융기관 앞 보증을 목적으로 하는 채널이다. 참여자는 보증기관, 정책 금융기관 및 실수요자이다. 채널 3은 정책 금융기관의 정부자금 지출에 대한 감사 목적의 채널로서, 참여자는 정책 금융기관과 감독기관이다.
Machine Learning 학습을 위한 분석대상 기업은 기업공시시스템의 외감기업(2013년~2017년)을 기준으로 한다. 분석대상 데이터는 정상 건수가 108, 230건, 부도 건수가 2, 279건이다.
분석대상 데이터는 정상 건수가 108, 230건, 부도 건수가 2, 279건이다.
선택한다. 최종 입력변수를 선택하기 위하여 사용되는 최초 입력변수는 표 3과 같이 35개 지표를 선정한다.
학습은 데이터 전처리 과정을 거쳐 구성된 모집단을 대상으로 진행한다. 모집단 중 테스트 데이터를 20%, 나머지 80% 중 검증 데이터를 20%(모집단의 16%), 80%(모집단의 64%)를 훈련 데이터로 한다.
이러한 Machine Learning에 의한 입력변수 선택 프로세스를 통해 최종적으로 29개 변수를 최종 모델의 입력변수로 선정하였다. 탈락한 변수는 성장성 2개, 수익성 3개, 산업위험 1개 변수로 총 6개 변수이다.
선정하였다. 탈락한 변수는 성장성 2개, 수익성 3개, 산업위험 1개 변수로 총 6개 변수이다.

이론/모형

본 논문은 투명한 정부자금 지출 관리를 위하여 신뢰 기반의 Consortium Blockchain을 적용한다. Consortium 형태의 폐쇄형 Blockchain을 적용한 사유는 다음과 같다.
해석 모듈은 XAI 방법론 중 PDP 방법론을 사용한다. PDP는 피처(Feature)의 수치 변화에 따라 모델에 기여하는 정도가 어떻게 달라지는지 확인할 수 있는 XAI 기법이다.

후속연구

본 논문의 프로세스는 이번 COVID-19 사태 등 국가위기상황에서 정부 정책의 신뢰성을 제공하고, 정부자금 집행자와 수요자의 도덕적 해이 등 부작용을 사전에 차단하여 정부자금 지출의 투명성과 효율성을 높일 것이다.
향후 본 논문에서 제안한 연구자료는 정부의 원활한 정책목표 달성을 위한 정책자금 집행의 방향 설정에 도움이 될 것이다.

참고문헌 (12)

N. D. Kim, Trend Korea 2018, Miraebook Publishing, 2017.
S. Y. Oh, "A new normal is coming that the crisis becomes common," Korea Marketing Association, vol. 54, no. 5, pp. 55-61, May. 2020.
R. S. Oh and D. W. Park, "Design Research of Blockchain, Machine Learning for the management of financing fund," Journal of the Korea Institute of Information and Communication Engineering, vol. 23, no. 10, pp. 1201-1208, Oct. 2019.
J. M. Chung, "Legal Issues on the Smart Contracts based on Blockchain," The Jounal of Comparative Private Law, vol. 25, no. 3, pp. 925-968, Aug. 2018.
K. H. Kim, "Understanding and application of blockchain technology," Korean Institute of Industrial Engineers, vol. 25, no. 1, pp. 13-19, Mar. 2018.
J. T. Park, Blockchain Project, Information Publishing Group, 2019.
S. J. Yu, "4th Industrial Revolution and Artificial Intelligence," Korea Multimedia Society, vol. 21, no. 4, pp. 1-8, Dec. 2017.
P. C. Jackson, Introduction to Artificial Intelligence, Dover Publications, 2019.
MIT Deep Learning, "Deep learning basics," 2019 [Internet]. Available: https://www.dropbox.com/s/c0g3sc1shi63x3q/deep_learning_basics.pdf?dl0.
J. H. An, XAI explainable artificial intelligence, dissecting artificial intelligence, Wikibook, 2020.
J. Y. Heo, H. B. Lee, J. Y. Park, H. W. Jeong, E. H. Yang, and S. G. Hwang, "Explainable Artificial Intelligence," The Korean Institute of Information Scientists and Engineers, vol. 37, no. 7, pp. 24-34, Jul. 2019.
R. S. Oh, "A study on Blockchain Process and AI Review Model for Government Fund Expenditure," Ph, D. dissertation, The Graduate School of Hoseo University, Korea, 2020.

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