기술 요약: DBHMT – IoT 기반 헬스케어 4.0을 위한 동적 균형 하이브리드 머클 트리(Dynamic Balancing Hybrid Merkle Tree)

1. 문제 정의

6세대(6G) 기술의 등장과 헬스케어 4.0의 진화는 자원이 제한된 사물인터넷(IoT) 환경 내에서 전자 건강 기록(EHR)의 보안, 투명성 및 효율적인 관리에 대한 수요를 심화시켰습니다. IOTA 탠글(Tangle)과 같은 탈중앙화 아키텍처는 필요한 보안과 투명성을 제공하지만, 저장 효율성 측면에서 상당한 과제에 직면해 있습니다.

전통적인 헬스케어 4.0 시나리오에서 환자 데이터는 동적인 특성을 보입니다. 일부 기록(예: 단기 질환, 부상)은 수명이 짧은 반면, 다른 기록(예: 만성 질환)은 평생 지속됩니다. 기존의 머클 트리 구현은 트랜잭션 양에 따라 초지수적으로 성장하므로, 이러한 역동성을 효율적으로 수용하지 못합니다. 트리가 모든 과거 데이터를 포함하도록 확장됨에 따라, IoT 기기에 대한 저장 비용은 감당할 수 없는 수준이 됩니다. 또한, 전통적인 블록체인에서 사용되는 기존의 저장 최적화 기술(예: 오래된 블록 제거)은 IOTA 탠글의 방향성 비순환 그래프(DAG) 구조에 적절히 탐색되거나 적응되지 않았으며, 특히 저장소 감소와 암호학적 보안 보장(무결성, 역상 저항성, 충돌 저항성) 사이의 절충안을 조절하는 데 있어 미흡한 상태입니다.

2. 방법론

저자들은 IOTA 탠글에 특화되어 설계된 **동적 균형 하이브리드 머클 트리(DBHMT)**라는 새로운 데이터 구조를 제안합니다. 이 방법론은 구조적 설계, 수학적 모델링, 그리고 최적화라는 세 가지 핵심 구성 요소를 포함합니다.

2.1 구조적 설계: 하이브리드 트리

DBHMT는 $n$-진 트리와 이진 트리를 결합한 수직 분할 하이브리드 구조입니다.

• 정적 측면 (우측): 장기 또는 평생 질환을 가진 환자를 나타냅니다. 이 측면은 정적이며 프루닝(pruning, 가지치기)되지 않아 장기적인 역사적 무결성을 보존합니다.
• 동적 측면 (좌측): 단기 또는 일시적 질환을 가진 환자를 나타냅니다. 이 측면은 매우 동적이며, 블록이 빠르게 만료됩니다.
• 프루닝 메커니즘: 동적 측면의 "성장하는 꼬리(growing tail)"를 제어하기 위해, 저자들은 **프루닝 계수($\alpha$ 또는 $p$)**에 의해 제어되는 프루닝 메커니즘을 도입합니다. 이는 고트랜잭션 헬스케어 시나리오에서 발생하는 표준 머클 트리의 초지수적 성장을 방지합니다.

2.2 수학적 모델링 및 보안 분석

본 논문은 DBHMT의 구조적 및 보안 속성에 대한 폐쇄형 해석 식을 도출합니다.

• 높이 및 저장 공간: 유효 높이와 총 노드 수는 전체 노드 수($N$), 트리 레벨($m, n$), 그리고 프루닝 계수의 함수로서 계산됩니다. 저장 비용은 유지되는 동적 노드의 함수임이 입증되었습니다.
• 보안 제약 조건: 저자들은 프루닝이 네 가지 핵심 보안 속성에 미치는 영향을 분석합니다:
  1. 무결성(Integrity): 포함 증명(inclusion proofs)의 위조에 대한 저항성.
  2. 역상 저항성(Pre-image Resistance): 해시 값으로부터 입력값을 찾는 것의 어려움.
  3. 제2 역상 저항성(Second Pre-image Resistance): 주어진 해시에 대해 대안적인 입력값을 찾는 것의 어려움.
  4. 충돌 저항성(Collision Resistance): 동일한 해시를 갖는 두 개의 입력을 찾는 것의 어려움.
     분석 결과, 프루닝은 일부 속성(예: 제2 역상 저항성)에 대한 공격 표면을 줄이지만, 유지 비율에 따라 다른 속성(예: 역상 저항성)을 저하시킬 수 있음을 확립했습니다.

2.3 최적화 알고리즘

최적의 프루닝 계수를 찾는 과정은 비볼록(non-convex), NP-난해(NP-hard)인 다목적 최적화 문제로 정식화됩니다. 목표는 보안 제약 조건(예: 128비트 또는 256비트 보안 수준 유지)을 충족하면서 저장 비용을 최소화하는 것입니다.

• 목적 함수: 높이 불균형, 총 높이, 저장 비용 및 보안 페널티를 균형 있게 맞추는 복합 함수입니다.
• 솔버(Solver): 문제의 비볼록 특성 때문에, 저자들은 **Adam 최적화를 사용하는 경사 하강법(Gradient Descent)**을 채택합니다. 이 방법은 1차 및 2차 모멘트 추정치를 활용하여 수렴을 가속화하고 지역 최솟값(local minima)을 벗어나며, 보안 제약을 만족하면서 저장 공간을 최소화하는 최적의 프루닝 계수($p^*$)를 결정합니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 명시합니다:

1. 새로운 아키텍처: 수직 분할(정적 vs 동적)을 통해 의료 데이터의 동적 특성을 수용하며 IOTA 탠글에 맞춤 설계된 하이브리드 머클 트리인 DBHMT를 제안합니다.
2. 동적 프루닝 개념: 사용 사례에 따라 조정 가능한 프루닝 계수를 도입하여, 상수, 하위 선형(sub-linear) 또는 선형 저장 최적화를 가능하게 하는 동적 균형 메커니즘을 소개합니다.
3. 이론적 프레임워크: 프루닝 하에서의 트리 높이, 저장 비용, 증명 복잡도 및 보안 경계에 대한 폐쇄 루프 해석 식을 도출합니다. 여기에는 랜덤 오라클 모델(random oracle model) 하에서의 엄격한 게임 기반 보안 증명이 포함됩니다.
4. 최적화 솔루션: Adam 최적화를 사용하는 반복 알고리즘을 개발하여, 저장 효율성과 보안 사이의 비볼록한 트레이드오프를 효과적으로 탐색함으로써 최적의 프루닝 계수를 찾는 NP-난해 문제를 해결합니다.

4. 결과 및 평가

저자들은 IOTA 탠글 플랫폼에 DBHMT를 구현하였으며, 100만 건의 트랜잭션을 포함하는 개념 증명(PoC) 평가를 수행했습니다.

• 저내 효율성: 실험 결과, DBHMT는 기존 머클 트리와 비교하여 저장 비용을 4배(4x) 감소시키는 것으로 나타났습니다. 이러한 효율성 격차는 트랜잭션 수가 증가함에 따라, 특히 단기 데이터(예: 팬데믹 또는 독감 시즌)의 양이 많은 시나리오에서 더욱 커집니다.
• 보안 검증: 이론적 분석과 게임 기반 증명을 통해, 최적의 프루닝 계수(본 연구에서는 $p \approx 0.7$로 식별됨)를 사용할 때 DBHMT가 암호학적 강도를 유지함을 확인했습니다. 보안 속성(무결성, 역상, 제2 역상 및 충돌 저항성)은 공격적인 프루닝에도 불구하고 허용 가능한 범위(예: $2^{40}$번의 쿼리에 대해 무시할 수 있는 수준의 적대적 이점) 내에 머물러 있습니다.
• 수렴성: Adam 기반 최적화 알고리즘은 최적의 프루닝 계수로 성공적으로 수렴하였으며, 이는 동적인 환경에서 비볼록한 저장-보안 트레이드오프를 해결하는 것이 가능하다는 것을 입증했습니다.

5. 의의 및 주장

본 논문은 DBHMT가 탈중앙화된 건강 기록에 요구되는 근본적인 보안 보장을 훼손하지 않으면서, IoT 기반 헬스케어 4.0의 저장 병목 현상에 대한 실질적인 해결책을 제공한다고 주장합니다.

• 확장성: 저장 비용을 초지수적이 아닌 선형 또는 하위 선형적으로 확장할 수 있게 함으로써, DBHMT는 고용량의 자원 제한적인 IoT 헬스케어 애플리케이션에서 IOTA 탠글을 실행 가능하게 만듭니다.
• 유연성: 본 프레임워크는 특정 규제 또는 운영 보안 임계값(예: HIPAA 준수)을 충족하면서 저장 효율성을 극대화할 수 있도록 프러티셔너가 프루닝 계수를 선택할 수 있는 튜닝 가능한 트레이드오프를 제공합니다.
• 광범로한 영향: 저자들은 이 접근 방식이 오픈 소스 IOTA 커뮤니티뿐만 아니라, 독점적 애플리케이션을 위해 저장 공간을 최적화하고자 하는 전통적인 블록체인 네트워크(프라이빗 및 컨소시엄 블록체인 포함)에도 도움이 될 수 있다고 제안합니다.

결론적으로, 본 논문은 제안된 솔루션이 저장 오버헤드를 크게 줄이지만, 데이터의 수명이 유한한 시나리오에 특화되어 설계되었음을 밝힙니다. 영구적이고 변경 불가능한 역사적 보유가 필요한 애플리케이션의 경우, 이러한 프루닝 전략은 적용될 수 없습니다. 향후 연구로는 뉴턴 방법(Newton's method)과 같은 고급 최적화 기법의 탐색과 IOTA 2.0 네트워크에서의 실제 배포가 제시되었습니다.