A Privacy-Preserving Federated Grey Wolf Optimization and Blockchain Framework for Trust Management in Decentralized 6G Edge Networks

기술 요약: 분산형 6G 엣지 네트워크의 신뢰 관리를 위한 프라이버시 보존형 연합 회색 늑대 최적화 및 블록체인 프레임워크

문제 정의
분산형 6G 엣지 네트워크에서의 신뢰 관리는 동적인 노드 동작, 희소한 관측 데이터, 그리고 적대적 조작의 위험으로 인해 심각한 과제에 직면해 있습니다. 기존의 중앙 집중식 신뢰 기관은 단일 장애점(single point of failure)을 유발하며 진화하는 공격 패턴에 대한 적응력이 부족합니다. 연합 학습(Federated Learning, FL)은 협력적 모델 학습을 위한 프라이러시 보존형 대안을 제공하지만, 기존의 FL 기반 신뢰 프레임워크는 주로 경사도 기반 최적화 방법(예: 확률적 경사 하강법)에 의존합니다. 이러한 방법들은 비볼록(non-convex) 손실 지형에서 어려움을 겪으며, 특히 6G 환경의 일반적인 특성인 엣지 노드 간의 비-IID(non-independent and identically distributed, 비독립 동일 분포) 데이터 환경에서는 좋지 않은 지역 최솟값(local minima)에 수렴하는 경향이 있습니다. 또한, 표준 FL은 악의적인 포이즈닝(poisoning)이나 시빌(Sybil) 공격으로부터 모델 업데이트의 무결성을 검증하기 위한 강력한 메커니즘이 부족합니다.

방법론: FL-GWO-BC 프레임워크
저자들은 세 가지 핵심 구성 요소인 프라이버시 보존형 연합 학습 아키텍처, 회색 늑대 최적화(Grey Wolf Optimizer, GWO), 그리고 허가형 블록체인 서브시스템을 통합한 새로운 프레임워크를 제안합니다.

1. GWO 기반 로컬 최적화:
   본 프레임워크는 로컬 모델 업데이트를 위해 경사 하강법을 사용하는 대신, 생체 모방 메타휴리스틱 알고리즘인 회색 늑대 최적화(GWO)를 채택합니다. 이 접근 방식에서 각 엣지 노드는 행동적 특징(패킷 전달 비율, 지연 시간, 에너지 소비 및 이상 징나 지표)을 신뢰 점수로 매핑하는 로컬 신뢰 모델을 유지합니다. GWO는 회색 늑대의 사회적 계층 구조(알파, 베타, 델타)를 시뮬레이션하여 모델 파라미터를 반복적으로 정교화합니다. 이 알고리즘은 세 가지 최적의 솔루션 위치를 기반으로 후보 솔루션(늑대)을 포위하고 업데이트함으로써, 노이즈가 많은 비볼록 환경에서 경사 기반 방법들이 흔히 빠지는 지역 최솟값을 탈출할 수 있게 합니다.

2. 프라이버시 보존형 연합 집계:
   본 프레임워크는 로컬 노드에서 원시 행동 데이터가 절대 외부로 유출되지 않는 엄격한 프라이시 패러다임을 준수합니다. 최적화된 모델 파라미터(가중치 벡터)만이 중앙 연합 집계기로 전송됩니다. 집계기는 각 노드에서 관찰된 피어 상호작용 횟수에 따라 가중치가 결정되는 가중 평균(FedAvg)을 사용하여 새로운 글로벌 모델을 계산하며, 이를 통해 상호작용 이력이 풍부한 노드가 더 큰 영향력을 갖도록 보장합니다.

3. 블록체인 검증 및 이상 탐지:
   분산 프로세스의 무결성을 보장하기 위해, 허가형 블록체인은 모든 신뢰 업데이트 이벤트를 불변의 트랜잭션으로 기록합니다. 스마트 컨트랙트는 제출된 업데이트를 노드의 과거 행동 트렌드와 비교하여 자동으로 검증합니다. 구체적으로, 시스템은 제출된 업데이트와 노드의 역사적 파라미터 추세 사이의 분산을 계산합니다. 만약 이 분산이 사전 정의된 임계값을 초과하면, 스마트 컨트랙트는 해당 업데이트를 악의적인 것으로 플래그를 지정하고, 글로벌 집계에서 제외하며, 신뢰 점수 재조정을 트리거합니다. 이는 블록체인이 플래그가 지정된 노드의 GWO 탐색 공간을 제한함으로써 자기 강화적인 순환 구조를 형성하게 합니다.

주요 기여
본 논문은 기존 방식과 차별화되는 세 가지 주요 기여를 식별합니다:

• FL 내 생체 모방 최적화: 경사도 기반 업데이트를 GWO 위치 업데이트 메커니즘으로 대체하여, 경사도 정보 없이도 비볼록, 비-IID 데이터 지형에서 강력한 수렴 성능을 구현했습니다.
• 최적화와 검증의 긴밀한 결합: GWO 기반 최적화와 허가형 블록체인 검증 레이어를 통합하여, 스마트 컨트랙트가 이상 업데이트를 자동으로 탐지하고 필터링함으로써 적응형 신뢰 관리 사이클을 구축했습니다.
• 설계 중심의 프라이버시: 모델 파라미터만을 공유하는 패러다임을 통해 차분 프라이버시(differential privacy)나 안전한 다자간 계산(secure multi-party computation)과 같은 암호화 기술에 따른 계산 오버헤드나 정확도 저하 없이 프라이버시를 보존했습니다.

실험 결과
본 프레임워크는 비-IID 데이터 분포를 가진 50개의 노드로 구성된 시뮬레이션된 6G 엣지 네트워크 내에서 CIC-IDS2017 데이터셋을 사용하여 평가되었습니다. 제안된 FL-GWO-BC 프레임워크는 표준 FedAvg, 블록체인 기반 신뢰 관리(BC-TM) 시스템, 그리고 차분 프라이버시가 적용된 연합 학습(FL-DP)과 비교되었습니다.

• 수렴 및 정확도: FL-GWO-BC는 0.012의 신뢰 추정 평균 제곱 오차(MSE)를 달밀하였으며, 이는 FedAvg(0.028) 및 FL-DP(0.035)를 크게 상회하는 성능입니다. 또한 45회의 통신 라운드만으로 수렴에 도달했는데, 이는 FedAvg(72 라운드) 대비 37.5% 감소한 수치로, 지역 최솟값을 탈출하는 탁월한 효율성을 입증했습니다.
• 적대적 탄력성: 모델 포이즈닝 및 시빌 공격 시나리오에서, 본 프레임워크는 **2.1%**의 낮은 오탐률(FPR)과 함께 **96.5%**의 악성 노드 탐지율(MDR)을 달성했습니다. 블록체인 기반의 분산 체크는 기준 방식들에서 발생했던 급격한 변동을 일으키는 조작된 업데이트를 성공적으로 식별하고 거부했습니다.
• 프라이버시: 멤버십 추론 공격(membership inference attack) 시뮬레이션 결과, FL-GWO-BC의 성공률은 51.2%(무작위 추측에 근접)로 나타났으며, 이는 FL-DP와 유사하고 표준 FedAvg(68.5%)보다 훨씬 우수한 수준입니다.
• 오버헤드: 본 프레임워크는 GWO 알고리즘의 반복적 특성으로 인해 FedAvg(0.92초)보다 높은 평균 라운드당 1.85초의 계산 비용이 발생했습니다.

의의 및 주장
본 논문은 FL-GWO-BC 프레임워크가 동적인 환경에서 경사도 기반 최적화의 한계를 해결함으로써 분산형 6G 엣지 네트워크의 신뢰 관리를 위한 강력한 솔루션을 제공한다고 주장합니다. 저자들은 생체 모방 최적화와 블록체인 검증의 통합이 실제 행동 변화에는 적응하면서도 적대적 조작에는 탄력적인 시스템을 구축한다고 단언합니다. 증가된 계산 오버헤드를 인정하면서도, 저자들은 정확도, 수렴 속도 및 보안 측면에서의 상당한 이득이 6G 엣지 애플리케이션을 위한 트레이드오프를 정당화한다고 주장합니다. 본 연구는 중앙 권위자나 원시 데이터 공유에 의존하지 않는 자기 강화형 신뢰 관리 사이클을 향한 단계로 자리매김하고 있습니다.