Data privacy and audit compliance of supply chain finance warehouse receipt pledge based on WSN federated edge learning

현대 금융 세계에서 중소기업들은 성장에 필요한 대출을 받는 데 종종 어려움을 겪습니다. 한 가지 흔한 해결책은 창고증권 담보 대출(warehouse receipt pledge financing)로, 기업이 대출을 확보하기 위해 곡물, 금속 또는 제조품과 같이 보관된 재고를 담보로 사용하는 방식입니다. 이 시스템이 작동하려면 은행은 그 물품이 실제로 존재하고, 양호한 상태이며, 바뀌거나 손상되지 않았다는 것을 신뢰할 수 있어야 합니다. 전통적으로 이를 검증하는 작업은 수동 검사와 주기적인 재고 조사를 통해 이루어지는데, 이는 느리고 오류가 발생하기 쉬우며 지식의 공백을 남깁니다. 더욱이, 이러한 물품을 설명하는 데이터와 대출에 관한 금융 세부 정보는 매우 민감합니다. 은행과 창고업자들은 이러한 정보를 비밀로 취급하는 경우가 많아, 더 나은 위험도를 구축하기 위해 데이터를 쉽게 공유할 수 없는 고립된 데이터 영역을 만듭니다. 이는 다음과 같은 딜레마를 낳습니다: 어떻게 하면 기업의 사적인 비즈니스 비밀을 강요하지 않으면서도, 은행들이 협력하여 사기를 탐지하고 위험을 관리할 수 있을 것인가?

이를 해결하기 위해 산동 공과대학교의 연구진은 물리적 센서, 원시 데이터를 공유하지 않고 인공지능을 학습시키는 방법, 그리고 검증을 위한 디지털 장부를 결합한 새로운 시스템을 개발했습니다. 그들은 각기 다른 종류의 물품을 서로 다른 회사를 위해 보관하고 있는 여러 창고가 어떻게 협력하여 위험한 담보 설정을 포착할 것인지에 초점을 맞췄습니다. 연구팀은 물품을 감시하는 무선 센서를 사용하고, 데이터를 로컬에 유지하는 스마트 학습법을 사용하며, 비밀을 노출하지 않고도 규칙 준수를 증명하는 보안 방식을 사용하는 시스템을 구축했습니다. 그들의 연구는 엄격한 규제 감사를 충족하고 프라이버시를 존টি하는 동시에, 소규모 센서 네트워크의 제한된 전력에서도 작동 가능한 매우 정확한 위험 모델을 만드는 것이 가능하다는 것을 보여줍니다.

연구진은 먼저 담보물의 물리적 실체 문제를 다루었습니다. 그들은 창고에 온도, 습도, 무게 및 물품의 위치를 지속적으로 모니터링하는 소형 무선 센서 네트워크를 설치했습니다. 이 센서들은 실시간으로 재고의 상태를 포착하는 연속적인 디지털 눈 역할을 합니다. 이 센서들은 원시적이고 민감한 데이터를 탈취되거나 유출될 수 있는 중앙 서버로 보내는 대신, 창고 현장에서 정보를 직접 처리합니다. 그런 다음 시스템은 물리적 조건과 대출의 비즈니스 세부 사항을 연결하는 보안 기록인 '디지털 창고증권'을 생성합니다. 이 영수증은 변경이 매우 어려운 디지털 장부인 블록체인에 저장되어, 창고에 있는 내용이 물리적 실체와 일치함을 보장합니다. 만약 센서가 갑작스러운 온도 변화나 기록과 일치하지 않는 무게 변화를 감지하면, 시스템은 즉시 이상 징후를 표시하여 창고 운영자와 은행 모두에게 알림을 보냅니다.

물리적 데이터가 확보되고 신뢰할 수 있는 디지털 기록으로 변환되면, 연구진은 협력적 위험 모델링이라는 과제에 착수했습니다. 전통적인 설정에서는 은행이 위험한 대출을 예측하는 컴퓨터 모델을 훈련시키기 위해 자신들의 사적인 데이터를 공유해야 했습니다. 이 새로운 방식에서는 데이터가 창고를 떠나지 않습니다. 대신, 연구진은 '연합 엣지 학습(federated edge learning)'이라 불리는 기술을 사용했습니다. 서로 다른 교실에 있는 학생들이 모두 동일하게 어려운 수학 문제를 풀고 있다고 상상해 보십시오. 학생들은 자신의 노트를 중앙의 선생님에게 보내 채점을 받는 대신, 각자 자신의 문제를 풀고 자신이 발견한 일반적인 규칙만을 선생님에게 보냅니다. 선생님은 모든 규칙을 결합하여 마스터 가이드를 만들고 이를 다시 학생들에게 보냅니다. 그러면 학생들은 이 개선된 가이드를 사용하여 자신의 작업을 정교화합니다. 이 시스템에서 각 창고는 하나의 교실 역할을 하며, 자신의 데이터로 로컬 버전의 위험 모델을 훈련합니다. 그들은 원시 데이터 자체가 아니라, 자신이 학습한 '규칙' 즉, 모델의 수학적 업데이트만을 공유합니다.

이 과정을 효율적이고 신뢰할 수 있게 만들기 위해 연구진은 몇 가지 지능형 계층을 추가했습니다. 그들은 신뢰도와 남은 배터리 전력을 기준으로 각 학습 라운드에 참여할 창고를 선택하는 선택 프로세스를 설계하여, 신뢰할 수 있고 전력이 충분한 노드만이 기여하도록 보장했습니다. 또한, 서로 다른 유형의 물품을 보유한 창고들 사이에서 흔히 발생하는 문제인 로컬 모델 간의 괴리를 방지하기 위한 메커니즘을 도입했습니다. 프라이버시를 더욱 보호하기 위해 연구진은 모델 업데이트를 두 단계의 보안 계층으로 감쌌습니다. 첫째, 업데이트에 약간의 수학적 노이즈를 추가하여 원래의 데이터를 역설계하는 것을 불가능하게 만들었습니다. 둘째, 업데이트를 암호화하여 보안 형식 내에서 결합될 수 있도록 했습니다. 오직 신뢰할 수 있는 권한을 가진 기관만이 최종 결합된 결과를 해독할 수 있습니다. 이는 누군가 창고 간에 전송되는 데이터를 가로채더라도 밑바탕에 깔린 비즈니스 비밀을 볼 수 없도록 보장합니다.

마 cuối로, 이 시스템에는 규제 기관을 만족시키는 내장된 감사 추적 기능이 포함되어 있습니다. 학습 과정의 모든 단계가 블록체인에 기록되어, 누가 참여했는지, 어떤 규칙이 준수되었는지, 그리고 얼마나 많은 프라이버시 보호가 적용되었는지를 보여주는 투명한 이력을 생성합니다. 블록체인상의 자가 실행 계약인 스마트 컨트랙트는 프로세스가 모든 규정을 준수했는지 자동으로 확인합니다. 만약 창고가 프로토콜에서 벗어나려고 시도하거나 프라이버시 제한 범위를 초과하는 경우, 시스템은 이를 감지하여 당국에 알릴 수 있습니다. 이는 프라이버시, 정확성, 그리고 컴플라이언스가 모두 실시간으로 모니터링되는 폐쇄 루프를 형성합니다.

연구 결과는 이 접근 방식이 매우 효과적임을 보여줍니다. 테스트에서 이 새로운 방법은 위험 식별에 있어 94.8%의 정확도를 달 achieved했으며, 이는 기존의 표준 방식보다 상당히 높은 수치였습니다. 서로 다른 창고의 데이터가 매우 상이하여 일반적으로 컴퓨터 모델을 혼란스럽게 만드는 조건에서도, 새 시스템은 견고함을 유지하며 기존 방식들이 실패하는 지점에서도 높은 정확도를 유지했습니다. 또한 연구진은 시스템이 엄격한 프라이버시 조건 하에서도 작동할 수 있음을 발견했습니다. 프라이버시 보호 수준을 최대로 높였을 때도 새 시스템은 83.6%의 정확도를 유지한 반면, 다른 방식들은 72.5%로 떨어졌습니다. 보안 조치로 인해 더 많은 컴퓨팅 시간과 에너지가 필요했지만, 최종 결과 측면에서의 트레이드오프는 미미했습니다. 이 연구는 무선 센서, 보안 학습, 블록체인 검증을 통합함으로써, 더 똑똑하고 정확할 뿐만 아니라 모든 참여자의 프라이버시를 존중하고 금융 규제 기관의 엄격한 요구를 충족하는 공급망 금융 시스템을 구축할 수 있다는 결론을 내립니다.