From Network Intrusion Detection to Blockchain-Backed Endpoint Detection and Response: Mapping the Landscape of Decentralized Detection-and-Response Architectures
사물인터넷(IoT) 및 산업용 사물인터넷(IIoT) 네트워크를 위한 블록체인 지원 침입 탐지 및 방지 시스템(IDS/IPS)에 관한 연구는 성숙 단계에 접어들었으나, 기존의 체계적 문헌고찰(systematic review)들은 두 가지 결정적인 한계를 지닙니다. 즉, 현대적인 엔드포인트 탐지 및 대응(EDR)과 확장 탐지 및 대응(XDR) 아키텍처로의 구조적 전환을 간과하고 있으며, 블록체인의 고유한 기능적 역할들을 단일한 하나의 범주로 혼동하고 있다는 점입니다. 본 지식 체계화(SoK) 연구는 탐지 시스템 클래스(NIDS, HIDS, EDR/XDR), 블록체인의 기능적 역할, 대응 자동화 성숙도를 기준으로 제안들을 분류하는 3축 분류 체계(taxonomy)를 제안하여 이러한 공백을 해소합니다. 2019년부터 2026년 사이에 저명 학술지에 발표된 연구를 종합하여, 지연 시간, 배포, 커뮤니티 간의 불일치로 인해 엔드포인트별 진정한 블록체인 연계 대응 루프가 거의 존재하지 않는 이유를 밝히는 엄밀한 갭 분석(gap analysis)을 제공합니다. 나아가 제한된 기기에서의 합의 지연 시간, 양자 내성 암호화 취약성, 스마트 계약 공격 표면, 그리고 진화하는 대규모 언어 모델(LLM) 기반 탐지 엔진의 적대적 취약성을 포함하여 문헌 전반에 지속되는 구조적이고 교차적인 도전 과제들을 평가합니다. 마지막으로, 탈중앙화된 신뢰와 신속한 대응 자동화 사이의 격차를 해소하기 위해 온체인/오프체인 하이브리드 오케스트레이션을 중심으로 한 포괄적인 연구 로드맵을 제시합니다.
지갑을 제어하는 AI 에이전트(agent)는 공격자가 접근 가능한 콘텐츠를 읽기 때문에 유해한 트랜잭션을 제안하도록 유도될 수 있습니다. 일반적인 최종 방어선은 정적 허용 목록(allowlist), LLM 검토기, 또는 트랜잭션 시뮬레이션과 같은 서명 전 검사입니다. 이 세 가지 방식은 모두 하나의 공통된 결함을 공유합니다. 즉, 검사는 검사 시점의 체인 상태를 기술하지만, 트랜잭션은 공격자가 프런트러닝(front-running), 컨트랙트 업그레이드 또는 토큰 매개변수(parameter) 변경을 통해 조작할 수 있는 이후 상태에서 실행된다는 점입니다. 우리는 이를 상태 드리프트(state drift)라고 부릅니다. 본 논문에서는 제안된 트랜잭션을 시뮬레이션하고, 그 효과를 추출하며, SMT 솔버를 사용하여 오라클 불확실성 대역 내의 모든 가격에 대해 선언적 가치 및 권한 정책을 검사하는 증명 기반 서명(PGS, Proof-Gated Signing)을 제시합니다. 그런 다음 온체인 사후 조건(지갑 잔액 범위, 수취인 영수증, 허용 한도 상한 및 소유권)을 컴파일하고, 이를 만족하는 모든 실행이 정책 또한 만족함을 증명합니다. 에이전트의 스마트 컨트랙트 지갑은 이러한 조건을 원자적으로 강제하므로, 임의의 드리프트가 발생하는 상황에서도 실행된 트랜잭션에 보장이 적용됩니다. 260개 시나리오(드리프트 패밀리 5개 및 적응형 패밀리 2개를 포함한 14개 공격 패밀리와 12개 정상 패밀리)로 구성된 공개 테스트베드에서 정책 대신 공격자 잔액을 기준으로 피해를 측정한 결과, PGS는 140개의 유해한 시나리오 중 93.6%를 방지하고 정상 시나리오의 97.5%를 통과시켰습니다. 반면 시뮬레이션 전용 검사는 57.9%, 정적 허용 목록은 71.4%를 방지하는 데 그쳤습니다. PGS 적용 하에서 50개의 드리프트 시나리오 중 공격자 이득을 발생시킨 시나리오는 전혀 없었습니다. 유일하게 방지되지 않은 패밀리인 정책 내 탈취(in-policy drain)는 세션당 예산 범위 내로 제한되었습니다. 또한 LLM 검토기에게 드리프트 이전의 깨끗한 시뮬레이션 결과를 제공했을 때 드리프트 공격을 승인할 가능성이 오히려 더 높아진다는 점도 발견했습니다. 오버헤드는 검사당 약 41k 가스(gas) 및 0.1-0.2초 수준입니다.
블록체인 운영은 합의 알고리즘(CA)에 의해 관리된다. 여러 합의 메커니즘은 상당한 연산력을 요구하는 반면, 다른 메커니즘은 블록 내 거래를 검증하고 확인할 참여자를 선정하기 위해 많은 지분(stake)을 필요로 하며, 이는 권력 집중과 참여자 배제로 이어진다. 본 논문은 직관적 퍼지 집합(IFSs)과 유니노름 집합 연산(UAOs)을 사용하여 검증자(validator)의 평판 행동을 연구함으로써, 평판 기반 합의 알고리즘에서 이러한 문제를 해결하는 새로운 방법론을 제안한다. 본 접근법은 "평판"을 표현하기 위해 IFSs를 사용한다. 합의 알고리즘에서 평판 값은 결국 불확실성을 내포하며, IFSs는 평판에 대한 정확한 지식 부족을 표현하는 데 도움이 되기 때문이다. 또한 이 방법론은 유니노름 집합 연산을 활용하여 시간에 따른 평판을 모니터링하고, 부정적 및 긍정적 평판의 중요성을 강화한다. 결과적으로, 이 솔루션은 검증자가 이후 검증 과정에서 과거 실패를 수정할 수 있게 하고, 공정한 합의 알고리즘 설계를 촉진한다. 제안된 프레임워크는 선형 계산 복잡도를 유지하며, 기본 합의 프로토콜을 넘어 추가적인 통신 오버헤드를 도입하지 않는다. 실험 결과가 뒷받침하는 바, 본 방법론은 향상된 성능과 평가를 보여주며, 블록체인 네트워크의 공정성과 포용성 발전을 약속한다.
비트코인이 탈중앙화 디지털 자산 및 투자 도구로서 점점 더 널리 사용됨에 따라, 그 시장 행동을 이해하려는 관심이 크게 높아졌다. 본 연구는 온체인(on-chain) 및 금융 데이터와 소셜 미디어 게시물을 결합하여 비트코인 시장 감성을 분석하는 새로운 접근법을 제시한다. 가격 예측을 목표로 하는 모델과 달리, 본 연구는 블록체인 거래, 비트코인 역사적 가격 데이터, 일별 Twitter 감성 분류를 사용하여 시장 감성을 설명하는 데 초점을 둔다. 해당 방법은 감성 추세를 온체인 및 금융 지표와 병합하고, 상세한 시장 분석을 위해 이를 정규화(normalization)하여 데이터셋으로 구성한다. 교차 검증(cross-validation)을 통해 여러 머신러닝 모델을 테스트한 결과, Gradient Boosting(XGBoost)이 감성 분류에 가장 신뢰할 수 있는 모델로 확인되었으며, 평균 F1-score는 약 0.84를 달성했다. SHAP(SHapley Additive exPlanations)은 모델 해석 가능성을 위한 게임 이론 기반 방법으로, 온체인 특징이 모델 예측에 기여하는 정도를 정량화하는 데 사용되어 투명성을 높였다. 결과는 이 데이터 조합이 의미 있는 예측 신호와 통찰을 제공함을 보여주며, 데이터 기반 암호화폐 분석과 심층 학습을 통한 향후 개선을 뒷받침한다.
통신 사기 제어 연구는 탐지기 수준의 분류(classification)에서 멈추는 경우가 많지만, 실제 배포 환경에서는 요청 수준의 정책 결정, 생애주기 추적성, 감사 가능성이 필요하다. 본 논문은 사기 제어 문제를 합성 통신/IoT 사기 제어 요청에 대한 블록체인 연동 감사 가능 의사결정 관리로 재정의하며, 주요 결과는 QLoRA 튜닝된 대규모 언어 모델(LLM) 브랜치가 제로샷(zero-shot) 프롬프팅보다 훨씬 실용적이지만, 저비용 중앙 집중식 앙상블(ensemble)을 능가하기보다는 주로 근접하는 수준에 그친다는 것이다. 이 프레임워크는 각 합성 배포 레코드를 관리 요청으로 매핑하고, 결정론적 하드-사기 게이트를 통해 명시적 경계 초과 사례를 차단하며, 비하드 요청을 중앙 집중식 ML(M1), 연합 메타학습(M2), 또는 LLM 계열 위험 소스(M3)를 사용하여 점수화하고, 공유된 5-상태 정책, 2-구역 정제 메커니즘, 로컬 이더리움 호환 감사 레이어(layer)를 통해 조치를 결정한다. 평가는 별도의 합성 학습(training) 데이터와 100,000건의 레코드로 구성된 배포 재현 코퍼스를 사용하므로, 본 연구는 현장 검증이나 실제 배포 가능성의 증명이 아닌 통제된 드리프트 재현 증거로 해석해야 한다. 검증(validation) 결과, M1이 가장 균형 잡힌 성능을 보이며, 0.10 운영 상한 하에서 정상 요청 FPR 0.0890, 소프트-사기 재현율(recall) 0.8341을 달성한다. 그러나 레이블된 배포 재현에서는 정상-FPR 격차가 크게 벌어져, M1은 0.1646, M3-QLoRA는 0.1801로 상승하며, M3-QLoRA는 M3-Base의 정상 FPR을 0.3915에서 낮추고 소프트-사기 재현율 0.8240에 도달한다. 블록체인 텔레메트리는 생애주기 가스, 비용, 지연 시간, 처리량의 차이가 사기 로직의 변화가 아닌 제출된 오프체인 의사결정 프로파일에 의해 결정됨을 보여준다.
Takagi-Sugeno(TS) 퍼지 추론 시스템을 이용해 프라이빗 Substrate 블록체인에서 워크로드 변화에 따라 검증자 노드 수를 자율적으로 조정하는 폐루프 동적 스케일링 방법을 제안한다. 블록 생성 시간, 블록 크기, 활성 노드 수를 실시간 입력으로 받아 27개 규칙 기반으로 Scale Up/Maintain/Scale Down을 결정하며, 임계값 기반 베이스라인 대비 스케일링 진동을 줄이면서 안정적인 평형 수렴을 달성했다.
신뢰 없는 환경에서의 개인화 연합학습을 위해 블록체인 기반 게시판과 LSH·피어 랭킹을 결합한 TPFed 프레임워크를 제안하며, 공개 참조 데이터셋을 활용한 '올인원' 지식 증류 프로토콜로 지식 전달·모델 품질 평가·유사도 검증을 단일 교환으로 동시 처리한다. 광범위한 실험에서 TPFed는 기존 연합학습 기준선 대비 학습 정확도와 적대적 공격에 대한 견고성 모두에서 우수한 성능을 보였다.
As autonomous AI agents increasingly transact across organizational boundaries, a fundamental trust challenge emerges: how can an agent assess whether an unknown counterpart is trustworthy? The ERC-8004 protocol addresses this challenge with the first permissionless trust layer for AI agent economies, built around three on-chain registries for Identity, Reputation, and Validation. Despite its rapid adoption, the protocol has not been studied empirically, leaving it unclear whether the information it records provides a trustworthy basis for decision-making. To address this gap, we present the first empirical study of ERC-8004 across three chains: Ethereum, BNB Smart Chain (BSC), and Base, covering the period from protocol deployment through May 13, 2026. We crawl on-chain Identity and Reputation events, off-chain files, and x402 payment transactions. On the identity side, we find that most registrations are placeholders rather than active agents, with only a small fraction (3%, 4%, and 15% across Ethereum, BSC, and Base) exposing a valid ERC-8004 registration file with at least one live service endpoint. On the reputation side, we show that the Registry, as currently deployed, cannot function as a trust signal: values are not commensurable, feedback records are rarely grounded in verifiable interactions, and reputation can be manipulated at minimal cost. Consistent with these design weaknesses, we find that a substantial fraction of reviewers (73.6%, 59.2%, and 90.6% across Ethereum, BSC, and Base) exhibit coordinated Sybil behavior. After removing Sybil-flagged feedback, 15.5%, 72.3%, and 89.4% of rated agents, respectively, are left with no valid feedback. We then turn these findings into concrete recommendations for future revisions of ERC-8004. Our study yields actionable protocol-design implications and establishes an empirical baseline for research on AI agent markets.
기존 계층적 연합 학습(HFL)의 클라이언트 선택은 파레토 효율성(PE)과 전략 불가능성(SP) 부재로 참가자가 선호를 왜곡하고 자원 할당이 비효율적이 된다. SCOPE-FL은 선택 문제를 양면 학교 선택으로 공식화해 최상위 거래 사이클(TTC)로 PE·SP를 동시에 보장하고, 원 라운드 재구성(OR) 기반 샤플리 값 근사와 블록체인 스마트 컨트랙트로 기여 비례 보상을 제공하며, MNIST·Fashion-MNIST·CIFAR-10에서 DA·IAS 등보다 정확도·수렴·보상 효율이 높다.
인공지능(AI)의 발전으로 인해 정리 증명을 위한 AI가 컴퓨터 시스템의 형식적 검증을 위한 유망한 수단이 되었습니다. 형식적 검증은 전통적으로 필요한 전문 지식과 노력으로 인해 안전 중심(safety-critical) 시스템에만 국한되어 왔으나, AI는 이러한 작업 부하의 상당 부분을 자동화하여 접근성을 훨씬 높일 수 있습니다. 블록체인 기반 시스템은 점차 대중화되고 있으나 악의적인 행위자들의 빈번한 공격 대상이 되어 종종 막대한 재정적 손실을 초래하고 있어, 이러한 시스템을 더욱 철저히 검증하고 취약점을 완화할 필요성이 강조되고 있습니다. 이러한 시스템의 가장 중요한 구성 요소는 잠재적으로 적대적인 환경에서 노드가 결정에 합의할 수 있게 하는 합의 프로토콜입니다. 본 논문에서는 Isabelle의 자동 정리 증명 도구인 IsabeLLM을 개선합니다. 구체적으로, 대규모 언어 모델(LLM)에 제공되는 컨텍스트를 개선하기 위해 검색-증강 생성(RAG) 프레임워크, 오류 추적(error tracing), 그리고 반례(counterexample) 생성을 구현합니다. 또한 효율성을 높이기 위해 최신 버전의 Isabelle 및 Sledgehammer와의 호환성도 구현했습니다. 비트코인의 작업 증명(Proof of Work) 합의 검증을 완료하는 능력에 있어 IsabeLLM 두 버전의 성능을 비교합니다.