두 번째는 첫 번째 단계에서 찾은 기계학습 조합을 이용하여 채굴 시뮬레이션을 통해 채굴 난이도를 예측한다. 두 번째 가정은 악의적인 채굴자가 전체 해시파워의 20%를 가지고 있을 때 coin-hopping 공격을 하는 경우이다. 기존 시계열 데이터 예측과 동일하게 단위시간 별로 예측하며 해시파워의 오차율을 측정한다. 신경망 네트워크는 입력 값의 크기에 민감하기 때문에 학습시에 해시파워의 log값을 취한 후 나머지 자질세트와 함께 MinMaxScaler로 정규화 시켰다. RNN과 동일하게 log값을 취한 해시파워와 MinMaxScaler로 정규화 된 자질세트를 학습데이터로 사용한다. Conners에4) 의하면 경성 식도경을 사용하여 제거한 식도주화 1005예에서 25예(2.5%)가 폐합병증과 식도열상, 종격동염이 발생하였으나 Foley 카테터를 사용한 658예에서는 12예(1.8%)만이 코피, 구토 등의 합병증이 발생하였고, 일과성 호흡부전 1예, 식도열상 1예가 발생하였는데 이 경우도 게재기간이 4일 된 환자이었다. 식도 이물 제거에 있어서 거의 대부분의 이비인후과 의사들은 전신마취하 경성 식도경을 통한 제거를 선호해 왔지만, 예리하지 않은 식도 이물의 경우에는 60년대에 작은 sponge를 묶은 실이 식도 이물 제거에 사용 되었고, fluoroscopy를 사용하지 않고 Foley 카테터를 이용한 이물 제거법이 Bigler(1966)등에 의해서 보고되었다.17) 또한 fluoroscopy하의 Foley 카테터를 이용한 식도 이물의 제거도 많은 수의 사람들에 의해서 보고되었다.4)6)7)9-12)15) 전신마취하 경성 식도경술을 실시하기 위해서는 시술전 충분한 금식 시간이 필요하고, 입원 기간, 입원비, 전신마취에 대한 부작용, 전신마취를 꺼리는 보호자들의 인식, 수술장과 기구 확보 등이 고려되어야 한다.
정확한 난이도 예측 및 오류 측정을 위해 시간별 해시파워와 채굴 난이도 계산으로 블록생성에 대한 시뮬레이션을 진행해야 한다. 다음 Table 4.에서는 채굴 시뮬레이션을 통한 채굴 난이도 예측 결과를 보여준다. 3가지 입력 데이터에 대하여 RNN, LSTM와 선형회기(LR) 방식으로 측정한 값은 각각 Table 1, Table 2, Table 3에서 확인할 수 있다. 위 결과에서 보면 해시파워 이외의 자질세트가 포함되는 경우 오차가 큰 것을 확인할 수 있다. 채굴에 투입되는 해시파워를 직접적으로 확인할 수는 없다. 첫 번째는 기계학습을 통해 단위시간 별 채굴에 투입되는 해시파워 예측한다. 첫 번째는 채굴 난이도가 변경될 때마다 해시파워가 10%씩 증가한다는 가정이다. Fig.6.은 coin-hopping 공격이 지속적으로 이루어지는 경우의 채굴 난이도를 비교한 것이다. 본 논문에서는 비트코인 채굴을 위해 투입되는 해시파워와 채굴 난이도를 예측하기 위한 기계학습 기반 연구를 수행하였다. 출력 값을 보정하여 새로운 학습을 통해 난이도를 예측하게 된다. 따라서 채굴 난이도 변경시점도 변경되기 때문에 다단계로 예측을 위해서는 매번 입력 값을 Fig.4.(b)와 같이 다시 계산해 주어야 한다. 이때 각 단계마다 학습 입력 값과 출력 값을 보정하고 다시 학습해야 한다. 순환 신경망(Recurrent Neural Networks, RNN)은 데이터를 순차적으로 학습시키며 학습된 데이터를 학습 데이터로 재사용하는 특수한 형태의 신경망 네트워크이다. 추출한 자질세트와 해시파워를 8:2로 나누고, 이를 각각 학습 데이터와 테스트 데이터로 사용하여 오류율을 측정하였다.
각각의 값들은 해시파워 데이터와 같이 6개 블록 단위를 기준으로 계산했다. 평균 블록 생성시간이 기존방식에서는 10분 10초가 걸리지만 해당 연구의 대안알고리즘에서는 10분 5초로 줄기 때문에 공격자의 수입을 줄였다고 말하고 있다. 블록 간의 시간간격은 투입되는 해시파워에 따라 달라질 수 있기 때문에 시계열 데이터 분석을 위해 그대로 사용하는 것은 부적합하며 시간 기반의 데이터로 변환해야 한다. 값에서 계산해 낸 채굴난이도와 블록간의 타임스탬프의 시간 차이를 이용하여 해시파워를 계산한다. 별도의 정규화는 진행하지 않고 자질세트와 해시파워를 그대로 사용하여 학습을 진행한다. 위 과정을 통해 채굴 난이도 예측에 적합한 데이터 형태와 기계학습 알고리즘을 찾고 기존 채굴 난이도 변경 방식뿐 아니라 기존 연구 방식과 성능 비교를 진행한다. 성능 측정을 위해서는 비트코인 데이터 상에서의 실제로 투입된 해시파워와 예측한 해시파워를 비교하여 RMSE(Root Mean Square Error)와 MAPE(Mean Absolute Percentage Error)를 구하였다. 비트코인 시스템은 다수의 채굴자들이 데이터를 주고 받으면서 동일한 블록체인을 유지해야 한다. 시계열 데이터 예측에서는 시간별 데이터를 예측하기 때문에 Fig 4.(a)와 같이 다구간 예측시 이전구간 예측에 오차가 발생하여도 다음구간 예측을 위한 입력 값은 변경하지 않는다.
해시파워 예측과 달리 난이도 예측을 위해서는 이전 결과의 오차도 고려해야 한다. 이 단계에서는 실험을 통해 다양한 자질들과 기계학습 알고리즘들 중 해시파워 예측에 적합한 조합을 찾는 것을 목표로 한다. 를 이용한다. 이 프레임워크는 다운로드 받은 블록체인을 분석하고 데이터베이스화하여 빠르게 데이터를 얻을 수 있도록 도와준다. 특히, 채굴 난이도 예측을 위해 채굴 난이도 변경 시점을 고려해서 데이터를 가공해야 한다. 본 연구에서는 해시파워 예측을 위한 기계학습 알고리즘으로 순환 신경망, 장단기 기억 신경망, 그리고 선형회기 세 가지 기법을 사용하여 비교한다. 이중 해시파워 예측을 위해 블록체인 내에서 다음과 같이 7가지 자질(feature)들을 추출하였다. 이를 위해서 외적요소가 아닌 블록체인 내의 데이터를 기반으로 채굴난이도가 계산되고 검증되어야 한다. 이때 타임스탬프로 제공되는 시간정보는 블록체인 내에서 블록간의 순서를 따르지 않는 경우가 발생할 수 있다. 해시파워 예측 시 바로 이전의 데이터만을 사용할 수 있지만 몇 개씩 묶어서 입력 값으로 사용할 수도 있다. 기계학습을 위한 입력 값으로 336시간 단위로 계산된 자질들(features)을 사용하며, 출력 값으로 해시파워를 사용한다. 윈도우 사이즈가 5인 경우 예측 전 데이터 5개씩을 하나의 윈도우로 묶고, 한 칸씩 이동(sliding)하면서 입력 값으로 사용될 윈도우를 구성한다.
이 기사를 소중히 간› 에볼루션 친절하게 우리 페이지를 방문하는 것과 관련된 더 많은 정보를 얻고 싶습니다.