폐암은 치사율이 높은 암으로, 조기 진단이 효과적인 치료의 핵심입니다. 딥러닝(DL) 기술은 의료진의 진단 부담을 줄일 수 있지만, 기존 모델들은 정확도와 확장성 문제로 질병 탐지 성능이 저하되는 한계가 있었습니다. 이러한 문제 해결을 위해 병원 간의 협력을 통해 더 나은 질병 탐지 성능을 제공하는 연합 학습(FL) 기반의 전역 데이터 학습 질병 탐지(GDTDD) 모델이 제안되었습니다.
본 연구에서는 먼저 각 병원의 폐 CT 이미지 데이터를 중앙값 필터링으로 전처리한 후, MCAU-Net(multi-Convolutional layer-assisted U-Net) 모델을 활용하여 분할했습니다. 분할된 이미지에서 Multi-texton, MBP(Median Binary Pattern), LGTrP(Improved Local Gabor Transitional Pattern) 등의 특징을 추출하고, MS-CAM(multi-scale channel attention module) 기반의 특징 융합 기법을 사용하여 이들을 결합했습니다. 이후, 융합된 특징을 활용하여 하이브리드 RNN 및 MAA-Bi-LSTM(Modified Attention layer Assisted Bidirectional Long Short-Term Memory) 모델을 학습시켜 로컬 모델을 생성했습니다.
이렇게 생성된 로컬 모델들은 연합 학습 프레임워크로 전송되어 병합 및 집계 과정을 거쳐 전역 학습 모델로 통합됩니다. 이 전역 모델은 보안과 프라이버시를 보장하기 위해 블록체인에 저장됩니다. 최종적으로, 블록체인에 저장된 전역 모델은 융합된 특징으로 재학습되어 정확하고 효과적인 질병 탐지 성능을 제공합니다.
실험 결과, 제안된 MAA-Bi-LSTM+RNN 모델은 질병 탐지에서 높은 효과를 보였습니다. 특히, 제안 모델의 정밀도(Precision)는 95.48%, F-측정(F-measure) 값은 96.30%로 나타나, 기존 모델 대비 우수한 성능을 입증했습니다. 이는 분산된 의료 환경에서 안전하고 효율적인 진단 시스템 구축 가능성을 시사합니다.
농업은 전 세계 식량 안보와 경제 발전에 필수적이지만, 인구 증가, 토양 황폐화, 기후 변화 등의 문제에 직면해 생산성과 자원 지속가능성이 위협받고 있습니다. 이러한 도전을 극복하고 농업 시스템의 현대화 및 회복력 강화를 위해 디지털 기술과 스마트 솔루션의 통합이 중요해지고 있습니다.
이 리뷰 논문은 머신러닝(ML)과 블록체인 기술이 전통 농업을 스마트하고 연결되며 안전한 시스템으로 전환하는 데 기여하는 상호 보완적 역할을 분석합니다. PRISMA 방법론에 따라 ScienceDirect, Springer, IEEE Xplore 등 주요 학술 데이터베이스에서 선별된 127개 이상의 최신 과학 출판물을 질적으로 분석했습니다.
연구 결과에 따르면 ML은 수확량 예측, 작물 질병 조기 감지, 관개 최적화 및 농업 투입물 관리에 폭넓게 활용됩니다. 이는 지도, 비지도, 강화 학습 등 다양한 패러다임을 기반으로 이질적이고 동적인 농업 데이터를 효과적으로 활용합니다. 블록체인은 농업 데이터의 보안, 추적성, 투명성을 확보하며, IoT 시스템 및 스마트 계약과의 통합을 통해 생산자, 유통업체, 소비자 간의 신뢰를 강화하고 지속가능한 농업 공급망을 촉진하는 데 핵심적인 역할을 합니다.
이러한 기술의 결합은 자원 효율성 향상, 생산성 증대, 지속가능한 농업 지원 등 다양한 이점을 제공합니다. 그러나 데이터 품질 및 가용성, 확장성 등의 한계점도 존재합니다.
사물 인터넷(IoT) 시대에 자원 제약적인 기기가 증가함에 따라, 데이터 프라이버시 보호와 유연한 데이터 공유를 위한 속성 기반 암호화(ABE)의 복호화 연산을 강력한 프록시에 아웃소싱하는 것이 필수적입니다. 그러나 사용자-프록시 간의 내재된 불신은 보안 및 공정성 문제를 야기합니다. 사용자는 프록시가 데이터 기밀성을 침해하지 않고 복호화를 정직하게 수행하는지 우려하며, 프록시는 약속된 보상을 받을 수 있을지 걱정합니다.
본 연구는 이러한 문제를 해결하기 위해 블록체인 기반의 안전하고 공정한 속성 기반 암호문 아웃소싱 복호화 서비스를 제안합니다. 특히, 검증 가능한 아웃소싱 복호화(ABE-VOD)를 지원하는 효율적인 속성 기반 암호화 방식을 제안하여, 사용자가 복호화 연산의 대부분을 안전하게 아웃소싱하고 적은 비용으로 결과를 검증할 수 있도록 합니다.
제안하는 방식은 블록체인을 ABE-VOD에 통합하여 아웃소싱 복호화 작업을 관리하고, 신뢰할 수 있는 중재자로서 보상 및 처벌 문제를 처리함으로써 공정성을 효과적으로 보장합니다. 개념 증명 프로토타입을 로컬 이더리움 테스트넷에 구현하여 제안된 방식의 타당성과 성능을 평가했습니다.
이 연구는 자원 제약적인 환경에서 ABE의 실용성을 높이고, 아웃소싱 복호화 서비스에서 사용자-프록시 간의 신뢰 문제를 해결하는 데 기여합니다. 블록체인 기술을 활용하여 보안과 공정성을 동시에 확보함으로써, 향후 분산 시스템 및 클라우드 기반 데이터 공유 환경에서 ABE 적용을 확대할 수 있을 것으로 기대됩니다.
인공지능(AI)의 급속한 발전은 환경 지속가능성 증진과 다양한 분야의 디지털 전환을 위한 상당한 잠재력을 제시합니다. 그러나 AI 애플리케이션의 분산성, 데이터 통합의 복잡성, 그리고 명확한 측정 지표의 부재는 지속가능한 관행 지원 능력을 제한합니다.
이 연구는 이러한 한계를 극복하기 위해 AI, 블록체인, 사물 인터넷(IoT)을 융합한 혁신적인 프레임워크인 ‘그린 AI(Green AI)’를 제안합니다. 그린 AI는 에너지 효율을 높이고 탄소 배출량을 줄이며 환경 모니터링 정확도를 향상시키는 확장 가능하고 안전한 아키텍처를 제공합니다.
그린 AI는 IoT 장치를 통해 스마트 그리드, 환경 센서, 에너지 시장에서 실시간 데이터를 블록체인으로 안전하게 관리하여 에너지 거래의 투명성과 책임성을 보장합니다. 또한, 고급 머신러닝 알고리즘을 활용하여 재생 에너지 통합을 극대화하고 에너지 수요를 예측함으로써 선제적인 의사 결정을 가능하게 합니다.
이 통합된 설계는 에너지 시스템의 지속가능성을 향상시키고 비용 효율적인 자원 관리를 위한 재현 가능한 모델을 제공합니다. 그린 AI 프레임워크는 학계, 정책 입안자, 산업 이해관계자들이 지속가능한 발전을 위해 지능형 기술을 활용하고 더 친환경적이고 탄력적인 미래를 만드는 데 중요한 지침이 될 것입니다.
디지털 헬스케어 환경에서 민감한 환자 정보 보호와 실시간 접근 및 의사결정 지원은 필수적입니다. 본 연구는 블록체인과 IoT를 결합한 새로운 하이브리드 프레임워크를 제안하여 안전한 헬스케어 데이터 관리를 목표로 합니다. 이 프레임워크는 Elman 신경망 기반 Blowfish 암호화와 딥 이상 탐지 기술을 통합합니다.
제안된 프레임워크는 IoT 센서 데이터를 활용하고, 권위증명(PoA) 합의 메커니즘을 통해 분산 노드 간의 위변조 방지 트랜잭션 기록을 보장합니다. LSTM 오토인코더와 SVM 분류기를 결합하여 이상 징후를 정확하게 탐지하며, 암호화 기능을 통해 데이터 프라이버시와 무결성을 확보합니다.
1,000개 이상의 환자 기록을 포함하는 헬스케어 데이터셋과 세 가지 네트워크 구성(195, 585, 1171개 노드)을 사용하여 시스템을 평가했습니다. 그 결과, 웜홀 공격 확률은 1.1%로 낮았고, 제품 드롭 비율은 1.2~2.7%, 인증 지연 시간은 111ms 미만을 기록하여 기존 시스템 대비 우수한 성능을 보였습니다.
이상 탐지 정확도(98.98%)와 F1-점수(0.90)는 최신 딥러닝 모델에 비해 다소 낮지만, 본 프레임워크는 암호화된 전송, 분산 검증, 지능형 위협 탐지를 실제 헬스케어 환경에 효과적으로 통합합니다. 이 아키텍처는 보안, 확장성, 효율성을 보장하여 차세대 스마트 헬스케어 생태계를 위한 강력한 솔루션이 될 것입니다.
블록체인을 산업용 사물 인터넷(IIoT)에 통합하는 것은 데이터 프라이버시 보호 및 보안 강화를 위한 유망한 해결책으로 부상하고 있습니다. 특히 스마트 계약 지원 및 경량 통신 프로토콜과의 상호 운용성 덕분에 이더리움 기반 IIoT 시스템이 주목받고 있으나, Sybil 공격과 같은 대규모 위협에 여전히 취약합니다. 이러한 공격은 공격자가 수많은 가짜 개체를 생성하여 네트워크를 침투하고 손상시켜 무결성과 가용성을 저해하므로 심각한 보안 위험을 초래합니다.
기존 방어 방식은 이더리움 스마트 계약과 MQTT 같은 경량 프로토콜을 활용하지만, 사기성 노드를 네트워크에 유입시키는 Sybil 공격과 같은 정교한 위협을 간과하는 경향이 있습니다. 또한, 기존 탐지 방법은 중앙 집중식 모니터링에 의존하여 확장성과 프라이버시 문제를 야기하며, IIoT 환경에서 적대적 행동을 나타내는 공개 데이터셋도 부족합니다. 이에 본 연구는 이더리움 기반 IIoT 네트워크를 개발하고, 관련 공개 데이터셋을 GitHub 저장소를 통해 배포합니다.
본 연구는 분산 연합 학습(decentralized federated learning)을 활용하여 PoA(Proof-of-Authority) 기반 IIoT 네트워크에서 Sybil 공격을 탐지하고 방지하는 고급 방법을 제안합니다. 탐지 단계에서는 분산 연합 학습 프레임워크 내에서 합성곱 신경망(CNN)을 사용하여 클라이언트 간 평균 91.13%의 탐지 정확도와 91.37%의 재현율을 달성했습니다. 방지 단계에서는 동적 평판 시스템을 관리하는 보안 스마트 계약을 설계하여 Sybil 노드가 네트워크에서 활동하는 것을 효과적으로 차단합니다.
이 연구는 블록체인 기반 IIoT 시스템의 보안을 강화하고, Sybil 공격에 대한 효과적인 방어 메커니즘을 제공합니다. 특히 공개 데이터셋 제공은 향후 IIoT 보안 연구에 기여할 것으로 기대됩니다.
