[논문]이더리움 네트워크 기반의 연합학습

황승연; 김정준

doi:10.7236/jiibc.2024.24.2.191

초록
AI-Helper

최근 여러 기업과 연구기관들이 IoT 장비에서 수집되는 다양한 데이터를 분석하고 실제 응용 서비스를 통해 제공하기 위한 지능형 IoT 기술에 관한 연구가 활발히 진행되고 있다. 하지만 IoT 기기에서 수집되는 데이터들을 연구 및 개발에 사용하기 위해 데이터를 송수신하는 과정에서 개인정보유출과 같은 보안상의 이슈가 발생할 수 있다. 그리고 여러 IoT 기기에서 수집되는 데이터가 증가할수록 데이터 관리에 어려움이 존재하며 데이터를 이동하는 데 큰 비용과 시간이 소요된다. 따라서 본 논문에서는 다양한 기기로 이루어진 연합학습 환경에서 보안상의 이슈와 비효율성을 개선하기 위해 신뢰성이 보장된 이더리움 네트워크 기반의 연합학습 시스템을 개발하고자 한다.

Abstract ▼ AI-Helper

Recently, research on intelligent IoT technology has been actively conducted by various companies and research institutes to analyze various data collected from IoT devices and provide it through actual application services. However, security issues such as personal information leakage may arise in ...

Recently, research on intelligent IoT technology has been actively conducted by various companies and research institutes to analyze various data collected from IoT devices and provide it through actual application services. However, security issues such as personal information leakage may arise in the process of transmitting and receiving data to use data collected from IoT devices for research and development. In addition, as data collected from multiple IoT devices increases, data management difficulties exist, and data movement is costly and time consuming. Therefore, in this paper, we intend to develop an Ethereum network-based federated learning system with guaranteed reliability to improve security issues and inefficiencies in a federated learning environment composed of various devices.

주제어

표/그림 (8)

그림 그림 1. 이더리움 네트워크 기반의 연합학습 시스템 아키텍처 Fig. 1. Federated Learning System Architecture Based on Ethereum Network
그림 그림 2. IPFS 데몬 실행 화면 Fig. 2. IPFS daemon execution screen
그림 그림 3. 학습 모델 공유를 위한 스마트 컨트랙트 Fig. 3. Smart Contracts for Local and Global Model Sharing
표 표 1. 스마트 컨트랙트 함수의 입력 및 출력 Table 1. Inputs and Outputs of Smart Contract Functions
그림 그림 4. 실험 성능 평가를 위한 신경망 아키텍처 Fig. 4. Neural Network Architecture for Experimental Performance Assessment
그림 그림 5. MNIST 데이터셋 샘플 Fig. 5. MNIST Dataset Sample
표 표 2. 글로벌 에폭당 각 학습 노드의 정확도 Table 2. Accuracy of each learning node per global epoch
표 표 3. 에폭당 단일 노드의 정확도 Table 3. Accuracy of a single node per epoch

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 이더리움 네트워크 기반의 연합학습 시스템으로 학습한 모델의 정확도와 단일 노드에서 학습한 모델의 정확도를 비교하여 제안한 기법의 실효성을 검증한다. 연합학습 시스템의 경우 각 학습 노드의 로컬 에폭(epoch)과 글로벌 에폭을 5로 설정하였으며 학습률(Learning rate)는 0.
본 연구에서는 데이터 이동으로 인해 발생할 수 있는 보안상의 이슈와 지연시간을 최소화하기 위한 신뢰성이 보장된 이더리움 네트워크 기반의 연합학습 시스템을 개발하였다. 4장의 실험 성능 평가를 통해 제안한 기법의 실효성을 검증하였다.
각 노드에서 학습한 모델을 이용하여 기존 모델의 가중치를 업데이트하는 과정에서 각 모델을 공유하기 위해 P2P(Peer to Peer) 방식의 분산파일시스템인 IPFS를 활용한다. 즉, 다양한 기기로 이루어진 연합학습 환경에서 보안상의 이슈와 데이터 이동에서 발생하는 지연을 최소화하며 신뢰성이 보장된 이더리움 네트워크 기반의 연합학습 시스템을 개발하고자 한다.

제안 방법

따라서 본 연구에서는 개인정보보호를 비롯한 여러 보안상의 이슈를 해결하기 위해 탈중앙화 블록체인 네트워크인 이더리움 네트워크를 활용한다. 그리고 각 IoT 기기에서 바로 학습하고 학습된 모델의 가중치를 이용하여 기존 모델의 가중치를 업데이트하는 연합학습 기법을 도입한다. 각 노드에서 학습한 모델을 이용하여 기존 모델의 가중치를 업데이트하는 과정에서 각 모델을 공유하기 위해 P2P(Peer to Peer) 방식의 분산파일시스템인 IPFS를 활용한다.
그림 1은 본 논문에서 제안한 이더리움 네트워크 기반의 연합학습 시스템 아키텍처를 나타내며 실험 성능 평가를 위해 하나의 헤더 노드와 두 대의 학습 노드로 이루어진 프라이빗 이더리움 네트워크를 구성하였다. 그리고 모든 노드에서는 학습 모델 공유를 위해 IPFS 데몬이 실행 중이며 헤더 노드와 학습 노드를 제외한 다른 사용자와 공유하지 않기 위해 IPFS 프라이빗 네트워크를 구성하였다. 그림 2는 IPFS 데몬의 실행 화면을 나타낸다.
그림 1은 본 논문에서 제안한 이더리움 네트워크 기반의 연합학습 시스템 아키텍처를 나타내며 실험 성능 평가를 위해 하나의 헤더 노드와 두 대의 학습 노드로 이루어진 프라이빗 이더리움 네트워크를 구성하였다. 그리고 모든 노드에서는 학습 모델 공유를 위해 IPFS 데몬이 실행 중이며 헤더 노드와 학습 노드를 제외한 다른 사용자와 공유하지 않기 위해 IPFS 프라이빗 네트워크를 구성하였다.
학습 모델의 완전연결계층(Fully-Connected Layer)에서는 과적합을 방지하기 위해 Dropout을 추가하였고 가장 마지막 레이어에서는 분류를 위해 Softmax 활성화 함수를 사용하였다.

대상 데이터

모델의 빠른 수렴을 위해 Adam 옵티마이저(Optimizer)를 사용하였으며 손실 함수는 categorical crossentropy를 사용하였다. 그리고 총 6만 장의 훈련 데이터를 3만 장씩 나누어 각 학습 노드를 학습하였다. 단일 노드에서 학습한 경우에는 6만 장의 훈련 데이터 셋을 모두 이용하였고 에폭을 25로 설정하였으며 기타 하이퍼파라미터는 연합학습 시스템과 똑같이 설정하였다.
그리고 총 6만 장의 훈련 데이터를 3만 장씩 나누어 각 학습 노드를 학습하였다. 단일 노드에서 학습한 경우에는 6만 장의 훈련 데이터 셋을 모두 이용하였고 에폭을 25로 설정하였으며 기타 하이퍼파라미터는 연합학습 시스템과 똑같이 설정하였다.

데이터처리

본 연구에서는 데이터 이동으로 인해 발생할 수 있는 보안상의 이슈와 지연시간을 최소화하기 위한 신뢰성이 보장된 이더리움 네트워크 기반의 연합학습 시스템을 개발하였다. 4장의 실험 성능 평가를 통해 제안한 기법의 실효성을 검증하였다. 따라서 이더리움 네트워크 기반의 연합학습 시스템을 의료나 금융 등과 같은 분야에서 활용한다면 보안 문제를 해결하면서 인공지능 기반의 기술을 접목할 수 있을 것으로 기대된다.

이론/모형

그리고 각 IoT 기기에서 바로 학습하고 학습된 모델의 가중치를 이용하여 기존 모델의 가중치를 업데이트하는 연합학습 기법을 도입한다. 각 노드에서 학습한 모델을 이용하여 기존 모델의 가중치를 업데이트하는 과정에서 각 모델을 공유하기 위해 P2P(Peer to Peer) 방식의 분산파일시스템인 IPFS를 활용한다. 즉, 다양한 기기로 이루어진 연합학습 환경에서 보안상의 이슈와 데이터 이동에서 발생하는 지연을 최소화하며 신뢰성이 보장된 이더리움 네트워크 기반의 연합학습 시스템을 개발하고자 한다.
각 학습 노드에서 로컬 모델 생성을 위해 간단한 CNN(Convolutional Neural Network) 모델을 구현하였으며 아키텍처는 그림 4와 같다.
따라서 본 연구에서는 개인정보보호를 비롯한 여러 보안상의 이슈를 해결하기 위해 탈중앙화 블록체인 네트워크인 이더리움 네트워크를 활용한다. 그리고 각 IoT 기기에서 바로 학습하고 학습된 모델의 가중치를 이용하여 기존 모델의 가중치를 업데이트하는 연합학습 기법을 도입한다.
001로 설정하였다. 모델의 빠른 수렴을 위해 Adam 옵티마이저(Optimizer)를 사용하였으며 손실 함수는 categorical crossentropy를 사용하였다. 그리고 총 6만 장의 훈련 데이터를 3만 장씩 나누어 각 학습 노드를 학습하였다.

성능/효과

46%로 측정되었다. 실험 성능 평가의 결과를 통해 연합학습 시스템의 각 학습 노드의 로컬 모델의 경우 단일 노드에서 학습한 모델보다 약간의 성능 저하를 확인할 수 있었지만 무시할 수 있는 정도의 성능 저하로 판단된다. 최종 글로벌 모델과 단일 노드에서 학습한 모델의 경우 비슷한 성능을 달성한 것을 확인할 수 있었다.
연합학습 시스템의 헤더 노드에서 생성된 최종 글로벌 모델의 정확도는 99.46%로 측정되었다. 실험 성능 평가의 결과를 통해 연합학습 시스템의 각 학습 노드의 로컬 모델의 경우 단일 노드에서 학습한 모델보다 약간의 성능 저하를 확인할 수 있었지만 무시할 수 있는 정도의 성능 저하로 판단된다.

후속연구

향후 연구에는 연합 학습 시스템의 모든 학습 노드가 학습이 완료되지 않아도 개별적으로 글로벌 모델을 업데이트할 수 있도록 하여 학습 과정에서 발생하는 지연을 최소화할 수 있는 시스템을 개발하고자 한다. 그리고 동일한 학습 모델이 아닌 서로 다른 학습 모델 간의 앙상블을 통해 연합학습 할 수 있는 방법을 적용한다면 더 고성능을 달성할 수 있을 것으로 기대된다.
4장의 실험 성능 평가를 통해 제안한 기법의 실효성을 검증하였다. 따라서 이더리움 네트워크 기반의 연합학습 시스템을 의료나 금융 등과 같은 분야에서 활용한다면 보안 문제를 해결하면서 인공지능 기반의 기술을 접목할 수 있을 것으로 기대된다. 향후 연구에는 연합 학습 시스템의 모든 학습 노드가 학습이 완료되지 않아도 개별적으로 글로벌 모델을 업데이트할 수 있도록 하여 학습 과정에서 발생하는 지연을 최소화할 수 있는 시스템을 개발하고자 한다.
따라서 이더리움 네트워크 기반의 연합학습 시스템을 의료나 금융 등과 같은 분야에서 활용한다면 보안 문제를 해결하면서 인공지능 기반의 기술을 접목할 수 있을 것으로 기대된다. 향후 연구에는 연합 학습 시스템의 모든 학습 노드가 학습이 완료되지 않아도 개별적으로 글로벌 모델을 업데이트할 수 있도록 하여 학습 과정에서 발생하는 지연을 최소화할 수 있는 시스템을 개발하고자 한다. 그리고 동일한 학습 모델이 아닌 서로 다른 학습 모델 간의 앙상블을 통해 연합학습 할 수 있는 방법을 적용한다면 더 고성능을 달성할 수 있을 것으로 기대된다.

참고문헌 (11)

Howon Kim, Shinwook Heo, Wontae Kang, Sanghyun Lee, Jinjae Lee, Larasati Harashta Tatimma, "Hardware based security technology for reinforcing IoT security", Communications of the Korean Institute of Information Scientists and Engineers, Vol. 38, No. 9, pp. 25-32.？
Hyungbin Kim, Yongho Kim, Cheolwoo You, Hyunhee Park, "Efficient Distributed Clustering Algorithm for Large-Scale Federated Learning", The Journal of Korean Institute of Communications and Information Sciences, Vol. 47, No. 1, pp. 198-205, 2022. DOI: http://doi.org/10.7840/kics.2022.47.1.198？

상세보기
June-Beom Park, Jong-Sou Park, "An Implementation of Federated Learning based on Blockchain", The Journal of Bigdata, Vol. 5, No. 1, pp. 89-96, 2020. DOI: https://doi.org/10.36498/kbigdt.2020.5.1.89？

원문보기 상세보기
Kyoungchan Won, Sukjae Jeong, "Design and Effect Analysis of Confederation Interface for ROK-US Combined Exercises", Journal of the Korea Academia-Industrial cooperation Society, Vol. 19, No. 12, pp. 498-506, 2018. DOI: https://doi.org/10.5762/KAIS.2018.19.12.498？

원문보기 상세보기
Geun-Hyeong Lee, Soo-Yong Shin, "Federated Learning on Clinical Benchmark Data: Performance Assessment", J Med Internet Res 2020, Vol. 22, No. 10, 2020. DOI: https://doi.org/10.2196/20891？

상세보기
Seounghan Song, Suntae kim, Jung-Hoon Shin, Jeong-Hyu Lee, "Recovery Phrase Management Scheme for Public Blockchain Wallets based on OTP", Vol. 20, No. 1, pp. 35-44, 2020. DOI: https://doi.org/10.7236/JIIBC.2020.20.1.35？

원문보기 상세보기
N. Courtois, P. Emirdag, F.Valsorda, "Private key recovery combination attacks: On extreme fragility of popular Bitcoin key management, wallet and cold storage solutions in presence of poor RNG events", Cryptology ePrint Archive, 2014.？
Soon-Gohn Kim, "A Study on the Blockchain 2.0 Ethereum Platform Analysis for DApp Development", The Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 11, No. 6, pp. 718-723, 2018. DOI: https://doi.org/10.17661/jkiiect.2018.11.6.718？

원문보기 상세보기
Kwang-Man KO, et al., "Decentralized Consensus on Internet of Things: Review, Taxonomy, Open Research Issues", IEEE Access, Vol. 6, pp. 1513-1524, 2018.？
Geth, https://geth.ethereum.org/？
Y. LeCun, L. Bottou, Y. Bengio, P. Haffner. "Gradient-based learning applied to document recognition", Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, 1998.

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

이더리움 네트워크 기반의 연합학습
Federated Learning Based on Ethereum Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

이더리움 네트워크 기반의 연합학습 Federated Learning Based on Ethereum Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

이더리움 네트워크 기반의 연합학습
Federated Learning Based on Ethereum Network 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper