블록체인과 대체 불가능한 토큰 기반 아트워크 거래를 위한 기계 학습 증강 협동 게임 프레임워크, 제로 지식 증명

Summary

이 연구는 ML을 CoGTT 프레임워크에 통합함으로써 스마트 시티 환경에서 NFT 기반 디지털 자산 거래를 강화합니다. 공개 블록체인에서 스마트 계약을 사용해 구현되고 제로지식 증명으로 지원되는 이 프레임워크는 공정성, 적응성, 투명성을 향상시켜 84%의 거래 완료율을 달성하고, 분산 시스템에 내재된 실행 비용을 고려합니다.

Abstract

스마트 시티 맥락에서 비대체 토큰(NFT)은 안전하고 분산된 거래를 가능하게 하여 디지털 아트 시장을 변화시키고 있습니다. NFT 거래가 성장함에 따라 지능과 적응력을 도입하는 것이 중요해져 머신러닝(ML) 통합이 필수적이다. 하지만 기존 모델, 특히 협동 게임 이론 거래(CoGTT) 프레임워크는 모든 거래 단계에서 ML을 충분히 활용하지 못하고 있습니다. 주요 격차로는 실시간 적응력 부족, 최적이 아닌 협상 전략, 부적절한 매칭 매칭 등이 있습니다. 본 연구는 ML을 3단계 CoGTT 프레임워크—ML 보강 순진거래, 최소-최대 가격 협상, 균형 기반 거래—에 통합하여 의사결정과 가격 책정을 향상시키는 데 기여합니다. 이 방법론은 스마트 계약을 이용해 공개 블록체인 기반 시뮬레이션 환경 내에서 의사결정 트리, 클러스터링, 강화 학습(Q-learning)과 같은 ML 알고리즘을 적용합니다. 이 시뮬레이션은 시장 역학과 아티스트의 신뢰성을 모두 반영한 맞춤형 데이터셋을 사용합니다. 이 데이터셋은 NFT 마켓플레이스를 모방하면서도 통제된 실험 조건을 유지하기 위해 합성적으로 생성되어, 변동성이 큰 실제 시장에는 직접적인 적용이 제한될 수 있습니다. 제로 지식 증명(ZKP)은 프라이버시 보호를 위해 사용됩니다. ZKP는 프라이버시 보호를 위해 사용됩니다. NFT 가격 추정과 전략적 입찰을 위한 ML 모델의 비교 분석은 예측 알고리즘과 강화 학습을 결합하는 효과성을 입증합니다. 선형 회귀와 랜덤 포레스트 모델 모두 NFT 가격을 정확히 추정하며, 랜덤 포레스트가 더 높은 실시간 예측 정확도를 달성합니다(R² = 0.9920). K-Means 클러스터링은 시장 참여자를 효과적으로 세분화하여 목표 협상을 지원하며, 실루엣 점수 0.8178을 달성합니다. Q-러닝을 랜덤 포레스트와 통합하면 권장 가격과 실제 가격 간 격차를 최소화하는 동적 입찰 전략이 가능합니다. 이산 행동 집합(감소, stay, 증가)은 해석 가능한 실시간 입찰 조정을 지원합니다. 이러한 발견은 ML 기반 NFT 거래 시스템이 스마트 시티 내 확장 가능하고 개인정보 보호를 준수하는 디지털 마켓플레이스를 지원할 수 있는 잠재력을 강조하며, 자동화되고 데이터 중심의 프로세스를 통해 거래 행동을 시장 요구에 맞추고 있음을 보여줍니다.

Introduction

블록체인 기술과 대체 불가능 토큰(NFT)의 융합은 특히 스마트 시티 내에서 혁신적인 디지털 자산 소유 및 거래 모델을 도입했습니다. 이러한 환경에서 디지털 아트워크 트레이딩 프레임워크는 예술가들이 자신의 작품을 수익화할 수 있게 하며, 분산 인프라를 통해 수집가에게 검증 가능한 소유권을 제공합니다. 이는 투명성, 추적성, 자동화와 같은 스마트 시티 목표와 잘 부합합니다. 높은 거래 수수료, 제한된 상호운용성, 부적절한 저작권 집행 등 여러 요인이 이러한 시스템의 채택과 확장성을 방해합니다.

기초 연구가 점점 늘어나고 있으며, 이 문제들을 여러 각도에서 탐구하고 있습니다. Vujic치 등¹ 과 Kumar 등² 는 탈중앙화 금융과 NFT 거래를 뒷받침하는 혁신적인 계약 메커니즘에 대한 기술적 개요를 제공합니다. Ante 등³ , Guan 등⁴ 는 NFT 마켓플레이스의 경제적 행동과 사용자 경험을 분석하며, 이해관계자들 간의 변동성과 전략적 행동을 강조합니다. 디지털 아트 외의 응용 분야들—예를 들어 폐기물 관리⁵, 안전한 AI 거래⁶, 법적 준수⁷—은 탈중앙화 생태계에서 NFT 플랫폼의 다재다능함과 확장되는 유용성을 보여줍니다.

이러한 플랫폼을 강화하기 위한 학제간 접근법도 등장했습니다. 게임 이론은 인센티브 구조, 소유권 분쟁, 규제 준수 문제를 다루는 데 사용되어 왔으며, 이는 Sun 등(⁸), Gao 등⁽9), Shao (¹⁰)의 연구에서 확인할 수 있습니다. 이 연구들은 공정한 행동과 효율적인 자원 배분을 장려하기 위해 균형 기반과 벌점 기반 모델을 설계합니다. 동시에 머신러닝(ML) 기법이 도입되어 NFT 생태계 ^11,12에서 사기 탐지, 가격 예측, 콘텐츠 가치 평가를 개선하며, 거래 효율성을 최적화하는 데이터 기반 전략을 제공합니다 ^9,10. 최근 연구들은 딥러닝과 시각적 기능을 활용한 NFT 가격 예측을 탐구하기 시작했습니다. 세이한과 Sefer¹³은 1차 및 2차 NFT 판매 가격을 예측하는 딥러닝 모델을 제안하여 기준선 모델보다 정확도가 향상됨을 입증했습니다. 마찬가지로 Pala와 Sefer¹⁴는 이미지 기반 NFT 속성에 대한 전이 학습을 활용해 판매 특성을 예측하며, 가격 결정에서 시각적 특징의 중요성을 강조했습니다. 이 연구들은 대체 데이터 모달리티를 강조하는 방식으로 우리의 접근법을 보완하며, 우리의 프레임워크는 머신러닝과 게임 이론적 협상을 통합하여 동적 및 적응형 거래를 수행합니다.

최근 문헌들은 블록체인과 NFT 기술이 디지털 생태계 보호와 시장 역학 재구조화에 미치는 영향력이 커지고 있음을 강조합니다. 블록체인 통합은 특히 게임 및 가상 경제 분야에서 디지털 플랫폼에서 자산 보안, 사기 저항, 분산 소유권을 강화합니다¹⁵. 동시에 NFT 기반 암호화폐 미학과 분산형 예술 시장은 예술적 가치, 소유권,^{문화 생산을} 재구성하는 복잡한 사회기술적 상호작용을 드러내며, 실증 연구에 따르면 NFT 가격은 주로 희소성, 창작자 평판, 시장 역학에 의해 좌우된다고 합니다¹⁸. 정량적 및 네트워크 기반 분석은 전략적 최적화와 구조화된 상호작용 네트워크가 분산 마켓플레이스 및 관련 시스템에서 경제적 결과, 안정성, 성공 패턴에 큰 영향을 미친다는 점을 추가로 보여줍니다^19,20.

이러한 발전에도 불구하고, 특히 협동 게임 이론 거래(CoGTT)를 기반으로 한 현재 NFT 거래 프레임워크는 적응력과 의사결정 능력에서 여전히 제한적입니다. 그림 1 은 제안된 ML 증강 협동 게임 이론 거래(CoGTT) 프레임워크의 아키텍처 다이어그램을 보여줍니다. 기존 모델은 주로 정적이며, 복잡하고 역동적인 시장 상황과 사용자 행동을 고려하지 못하는 휴리스틱이나 규칙 기반 전략에 의존하는 경우가 많습니다. 이로 인해 비효율적인 거래, 부실한 가격 전략, 제한된 거래 공정성이 발생합니다.

이 연구는 이러한 한계를 해결하기 위해 분산형 디지털 자산 거래 플랫폼을 위한 머신러닝-증강 CoGTT 프레임워크를 제안합니다. ML 보강 순진거래, 최소한거리 가격 협상, 균형 기반 거래라는 세 단계로 구성된 이 프레임워크는 감독, 비감독, 강화 학습 기법을 활용하여 시장 분석, 전략적 협상, 균형 발견을 향상시킵니다. 구체적으로, 분류 모델(예: 의사결정 트리), 클러스터링 알고리즘(예: K-평균), 동적 학습 기법(예: Q-학습)을 사용하여 거래 매칭, 가격 설정, 협상 전략을 최적화합니다.

이 ML 보강 아키텍처는 스마트 계약 지원 블록체인 플랫폼(여기서는 이더리움 블록체인) 위에 배포되어 분산형, 투명성, 자율적 거래 실행을 보장합니다. 사용자 데이터를 보호하고 기밀성을 유지하기 위해 ZKP가 통합되어 민감한 정보를 공개하지 않으면서 거래를 암호화적으로 안전하게 검증할 수 있습니다. ML 기반 인사이트는 스마트 계약 논리에 직접적인 영향을 미치며, 예측 가격과 실시간 시장 역학에 반응하는 적응 임계값을 내장합니다.

요약하자면, 본 연구는 표 1 에 가스 요금 및 배포 비용 계산표를 포함하여 퍼블릭 블록체인에 배포된 확장 가능하고 프라이버시 보호적이며 지능형 거래 프레임워크를 도입하여 NFT 거래 시스템의 효율성(표 2 및 표 3에 반영됨), 신뢰성, 적응성을 크게 향상시킵니다. 머신러닝과 게임 이론 논리, 블록체인 인프라를 긴밀히 통합함으로써, 제안된 솔루션은 스마트 시티의 목표와 부합하며, 안전하고 공정하며 사용자 포용적인 디지털 자산 교환 플랫폼을 제공합니다.

본 연구는 기계 학습과 협력적 게임 이론 거래(CoGTT)를 통합하여 NFT 기반 디지털 아트 시장에서 가격 책정, 협상, 의사결정을 지원하는 하이브리드 프레임워크를 제안합니다. 예측 모델은 스마트 계약과 결합되어 거래 환경에서 프로세스 자동화, 공정성, 보안을 강화합니다. 개인정보 보호 및 준수 요구사항을 충족하기 위해 가격 매칭, 소유권 검증, 진위 검증에 ZKP가 사용됩니다. 이 프레임워크는 머신러닝 보조 순진한 거래, 최소-최대 가격 협상, 균형 기반 거래로 구성된 3단계 구조를 채택하여 확장 가능한 NFT 마켓플레이스 운영을 위한 조정된 접근법을 제공합니다.

표 4의 비교 분석 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32, 33,34,35,36,37,38은 블록체인, NFT, 머신러닝, 게임 이론 모델이 디지털 시장, IoT 보안, 에너지 시스템 등 분산 영역에서 통합된 모습을 강조합니다. 이전 연구들은 고급 학습 모델과 블록체인 메커니즘을 결합하면 가격 정확성, 보안, 투명성 및 균형 최적화가 향상된다는 것을 보여줍니다. 경험적 및 분석적 증거는 하이브리드 ML–블록체인 프레임워크를 통해 효율성, 사기 완화, 비용 절감, 공정한 인센티브 배분 개선을 시사합니다.

Protocol

블록체인 기반 NFT 아트워크 거래의 프레임워크는 스마트 계약, 개인정보 보호 메커니즘, 게임 이론적 모델링, 머신러닝 알고리즘, 강화 학습, 가스 비용 평가를 통합한 다층 프로토콜로 구조화되어 있습니다.

이 과정은 참여자 등록, 자산 상장, 주문 제출, 거래 실행 등 핵심 기능을 정의하는 스마트 계약 개발로 시작됩니다. 이 계약들은 사용자 온보딩, 자산 등록, 안전한 주문 처리를 가능하게 합니다. 정확성과 효율성을 평가하기 위해 계약 논리를 테스트하고, 다양한 거래 속도 설정에서 실행 비용을 기록했습니다.

ZKP는 민감한 세부사항을 공개하지 않으면서 작품의 진위를 검증하기 위해 포함됩니다. 각 거래는 온체인 검사와 ZKP 검증을 통해 이중 검증을 거쳐 기밀성과 데이터 무결성을 보장합니다. 모듈형 ZKP 설계는 주요 스마트 계약과 독립적으로 작동하여 통합과 대규모 배포를 지원합니다. 증명 생성과 검증 지연 시간을 평가하여 타당성을 평가하였습니다.

웹 기반 인터페이스는 범용 프레임워크를 사용하여 구현되었습니다. 인터페이스에는 랜딩 페이지, 아티스트 대시보드, 거래 플랫폼 같은 모듈이 포함되어 있습니다. 지갑 기반 인증은 거래 서명을 가능하게 하며, 업로드 및 민팅 기능을 통해 아티스트가 디지털 작품을 토큰화할 수 있습니다.

시장 설계 수준에서 협력 게임 이론 거래(CoGTT) 모델은 구조화된 3단계 협상 메커니즘을 사용합니다. 첫 번째 단계는 제출된 입찰과 매도를 바탕으로 직접 가격 매칭을 적용합니다. 매칭되지 않은 참가자들은 두 번째 단계로 진출하며, 이 단계에서는 중간점 평가법을 포함한 협상된 최소-최대 가격 전략을 사용합니다. 합의에 이르지 못하면 거래는 세 번째 단계로 진입하며, 내쉬 균형 원칙을 적용하고 균형 수렴 가격에 도달할 때까지 반복 협상이 계속됩니다. 이 단계들은 모듈식 알고리즘으로 구현됩니다: 순진한 매칭(알고리즘 1), 중간 지점 중개(알고리즘 2), 내쉬 균형 거래(알고리즘 3), 그리고 통합 워크플로우(알고리즘 4).

머신러닝 모델은 의사결정 지원을 위해 거래 과정에 통합됩니다. 입찰, 매수, 거래량, 과거 가격 데이터, 평판 점수와 같은 시장 특성이 예측 모델링에 사용됩니다. 선형 회귀(알고리즘 5)는 공정한 가격을 추정하며, 성능은 평균제곱오차(MSE)를 사용해 평가합니다. K-평균 군집화(알고리즘 6)는 특징 정규화와 PCA 기반 차원 축소로 지원되며, 사용자를 실루엣 점수로 평가하는 클러스터로 분할합니다. 랜덤 포레스트(알고리즘 7)는 MSE와 R²를 통해 검증된 추가 가격 예측을 제공합니다. 통합 알고리즘(알고리즘 8)은 회귀, 클러스터링, 랜덤 포레스트 출력을 결합하여 적응형 거래를 위한 동적 의사결정 흐름을 만듭니다.

Q-학습을 통한 강화 학습이 입찰 전략을 최적화하는 데 적용됩니다. 상태 공간은 현재 가격 수준과 입찰가로 정의되며, 행동에는 증분, 감소, 유지 등이 포함됩니다. Q-에이전트는 무작위 숲 예측의 피드백을 사용하여 가격 오차를 줄이고 참여자 유용성을 높이는 정책을 학습합니다. 시뮬레이션은 균형 정렬 정책에 수렴할 때까지 수행되며, 결과는 시뮬레이션된 거래 환경에서 검증됩니다.

각 계약 함수의 가스 소비량은 체계적으로 기록되며, 거래 비용은 다양한 속도 설정에서 계산됩니다. 예를 들어, registerArtist() 함수는 90,123개의 가스 단위를 소비했으며, 이에 상응하는 비용은 시장 ETH 가격과 비교되었습니다. 이 평가들은 비용과 실행 효율성 간의 절충관계를 식별합니다.

프레임워크의 성능은 여러 지표를 사용하여 평가되었습니다. 선형 회귀는 MSE가 4.54× 10⁻²⁸을 달성한 반면, K-평균 군집화는 실루엣 점수 0.8178을 기록했다. 랜덤 포레스트는 MSE가 0.1311, R² 가 0.9920을 기록했습니다. Q-학습 출력은 다양한 가격 조건에서 수렴 및 균형 정렬을 평가하였습니다. 이러한 결과는 블록체인 기반 시장 조건에서 NFT 아트워크 거래를 지원하는 제안된 접근법의 실현 가능성을 시사합니다.

디지털 아트 트레이딩을 위한 제안된 협동 게임 이론 거래(CoGTT) 프레임워크

혁신적인 하이브리드 접근법인 협력 게임 이론 거래(CoGTT) 프레임워크는 게임 이론적 NFT 거래 접근법과 추가 가격 메커니즘 및 내쉬 균형을 결합하여 NFT 시장의 효율성과 조정을 향상시킵니다. 제안된 접근법은 스마트 계약 지원 블록체인 플랫폼을 기반으로 구축되었습니다. 이 접근법은 첨단 암호학 기술과 ZKP를 활용하여 안전하고 사적인 거래 검증을 보장합니다. ZKP는 구매자나 판매자에 대한 민감한 정보를 공개하지 않고도 소유권 및 거래 세부사항을 검증할 수 있게 해줍니다.

이 제안된 접근법은 탈중앙화 마켓플레이스 내에서 창작자, 구매자, 중간 중개인 간의 전략적 상호작용을 도입합니다. 이 모델은 경쟁과 협력 역학을 고려하면서 모든 참가자에게 인센티브를 균형 있게 조정하여 거래 결과를 최적화하는 것을 목표로 합니다. 제안된 프레임워크는 주로 순진한 매드-매도 매칭, 중간 지점 기반 협상, 내쉬 균형 기반 결제에 초점을 맞추고 있지만, 2차 가격 경매와 같은 다른 방법들도 존재하며 NFT 시장에서 여전히 유효합니다. 디지털 예술 작품 거래에서 경매인은 다음과 같은 방법으로 거래 가격을 결정합니다:

소비자 입찰 가격: 가격은 구매자의 최고 입찰가를 기준으로 직접 책정됩니다. 이 방법은 구매자가 작품에 지불할 수 있는 최대 가치를 반영하여 경쟁 입찰을 촉진합니다.

평균 가격 방법: 가격은 구매자의 제안과 판매자의 요구 가격 사이의 중간 지점으로 계산되어 균형을 만듭니다. 이 균형 가격 계산:

균형(EPrice) = 다트_프라이스 + 다트_{비 브라이스}

이 접근법은 구매자와 판매자 모두의 이익을 균형 있게 하여 공정하고 상호 합의적인 거래를 이끌어내는 것을 목표로 합니다. 이러한 방법들은 가격 전략에 유연성을 제공하며, 디지털 아트워크 거래 생태계의 다양한 선호도와 시장 역학에 맞춰 조정됩니다.

3단계 게임 이론 기반 협동 거래 모델

이 섹션은 디지털 아트워크를 위해 특별히 설계된 혁신적인 3단계 게임 이론 기반 협동 거래 방식을 소개합니다. 이 접근법은 중개인이 이를 지원하듯 입찰 및 매도 가격을 동적으로 조정하여 거래 효율성과 공정성을 최적화합니다. 이는 표 2 와 표 3에서 확인할 수 있습니다. 이는 탈중앙화 NFT 시장에서 공정성, 효율성, 수익성을 향상시키는 것을 목표로 하며, 창작자와 작품 구매자의 이익 사이에서 균형을 맞추는 것입니다. 그림 2 는 디지털 아트워크에 대한 제안된 3단계 거래 시스템 모델을 보여주며, 자세한 알고리즘은 알고리즘 4에 제공되어 있습니다. 제안된 CoGTT 프레임워크는 디지털 아트워크 거래 과정을 세 단계로 효율적으로 완료합니다: a) 매가 및 입찰 가격에 기반한 순수 거래, b) 협상된 최소-최대 가격 기반 거래, c) 내쉬 균형 방식을 이용한 거래. 첫 번째 단계에서는 창작자와 구매자로부터 받은 초기 정보를 바탕으로 순진한 거래가 시작됩니다. 두 번째 단계는 판매자와 구매자 간에 협상된 최소 최대 가격을 바탕으로 남은 미거래 요청에 대한 거래를 포함합니다. 마지막으로 세 번째 단계는 내쉬 균형 방식을 사용하여 거래 과정을 최종 확정합니다.

1단계 - 순진한 매매가 및 입찰 가격:

1단계에서는 디지털 아트 제작자(제공자)가 요청 가격과 최소 판매 가격에 따라 오름차순으로 조직됩니다. 마찬가지로, 구매자(소비자)는 제출한 입찰 가격과 최대 입찰 가격에 따라 오름차순으로 배열됩니다. 창작자의 최소 매매 가격과 구매자의 최대 입찰가는 비밀로 유지됩니다. 협력적 접근법을 통해 구매자와 창작자를 매칭하여, 구매자의 입찰 가격이 창작자의 요청 가격과 일치하는 곳에서 작품 배분을 촉진합니다. 이 배분은 단일 또는 여러 창작자가 포함될 수 있으며, 합산 요청 가격이 구매자의 입찰 범위 내에 있을 경우에 한합니다. 가격 제약으로 인해 이 단계에서 작품을 확보하지 못하는 구매자는 두 번째 단계로 진행됩니다. 거래 방식의 세부 사항은 알고리즘 1에 설명되어 있습니다.

2단계 - 협상된 최소-최대 가격 거래

두 번째 단계에서는 매칭 없는 구매자들의 요청에 대응하여 디지털 아트 제작자의 최소 판매 가격과 구매자의 최대 입찰 가격을 활용해 거래 과정을 완료합니다. 거래 방식은 중간 가치, 당일 중간 지점값, 시장 균형 등 다양한 방법을 사용하여 거래 효율성을 높이는 중간 값을 산출합니다. 이러한 중간 지점 접근법의 구체적인 내용은 다음 하위 섹션에서 논의됩니다. 거래 방식의 세부 사항은 알고리즘 2에 제공되어 있습니다.

중간 가치: 창작자와 구매자 간의 중간 가치를 찾는 간단한 중간 가치 접근법을 포함하는 중개 방식입니다. 예를 들어, 디지털 예술의 입찰가가 50이고 매가 52라면, 중간 값은 입찰가와 매도 가격을 평균내어 구할 수 있습니다.

일중 중간 값: 인코포레이티드 브로커링 방식은 동일 유형의 예술품의 최소 거래 가격과 동일 예술품의 최고 가격을 표시하며, 중간 값은 다음과 같은 공식으로 계산합니다: (현재 당일 최고가 + 현재 최저가)/2. 이 중간 가치는 중간 가치가 예술 창작자의 최소 판매 가격보다 높고 구매자의 최대 입찰 가격보다 낮을 때 거래 가격으로 설정됩니다.

시장 균형: 중간 가격은 시장 균형의 중요한 지표입니다. 이는 예술 창작자(요청가)와 구매자(입찰 가격)가 자산에 대해 일치하는 가격을 반영합니다. 이 값은 최고 입찰가와 최저 매도가를 평균하여 계산되어, 극단적인 매수가나 매도 가격에 영향을 받지 않는 현재 시장 가치를 공정하게 나타냅니다. 공식은 다음 3개의 방정식으로 제시됩니다.

 

3단계 - 내쉬 균형법에 따른 거래

세 번째 단계에서는 남은 미거래자 요청의 확장된 정보, 예를 들어 창작자의 최소 요구가와 구매자의 최대 입찰가 같은 정보를 양측에 공개하여 구매자의 입찰가가 자신이 받아들일 수 있는 최대치, 창작자의 요구가가 자신이 받아들일 수 있는 최저 가격인 균형점에 합의하도록 합니다. 거래 접근법의 세부 사항은 알고리즘 3에 제시되어 있습니다.

프레임워크의 1단계와 2단계에서는 기밀성과 인센티브 정렬이 전략적 가격 허위 보고를 방지하는 데 사용됩니다. 구매자의 최대 지불 의사와 창작자의 최소 허용 가격은 배분 시 비밀 가치로 유지되어, 과소보고나 과대평가로 인한 조작 기회를 제한합니다. 매칭 결정은 명시적 공시가 아닌 최소 매수가와 최대 매수가에 의존하기 때문에, 가격 허위 보고는 1단계 또는 2단계 배분에서 제외될 가능성을 높여 거래 기회가 줄어듭니다. 또한, 이전 거래가 실패하면 내쉬 균형을 기반으로 한 세 번째 단계로 진입합니다. 이 단계에서 반복적인 조정은 참가자의 실제 가치 평가를 보다 정확하게 반영하는 결과에 수렴하게 만듭니다. 이러한 진행은 초기 단계에서 잘못된 보고를 억제하는데, 조작 실패는 실행을 지연시키고 궁극적으로 거래 완료를 위해 진실된 평가 공개를 요구하기 때문입니다.

머신러닝(ML) 알고리즘의 출력은 고립된 예측으로 취급되지 않고, 가격 책정, 협상, 균형 발견을 안내하는 3단계 협동 게임 이론 거래(CoGTT) 프레임워크에 적극적으로 내장되어 있습니다. 현재 연결부는 다음과 같이 설명되어 있습니다:

1단계 - 선형 회귀를 이용한 순진한 거래: 선형 회귀 모델은 과거 추세와 비교하여 매수와 매도 특징을 평균화하여 공정한 가격 벤치마크를 생성합니다. 이 예측된 공정 가격은 구매자의 제출 입찰과 창작자의 요청 가격과 비교됩니다. 어느 한쪽이든 예측된 공정 가격에서 크게 벗어난 값을 보고하면, 배분은 우선순위가 낮아져 잘못된 보고에 대한 유인이 줄어듭니다. 따라서 회귀 결과는 직접 할당이 가능하다고 판단되는 거래를 필터링하는 메커니즘 역할을 합니다.

2단계 - 랜덤 포레스트를 이용한 최소한(Min-max) 협상: 랜덤 포레스트 모델은 매수-매도 스프레드, 거래량, 평판 점수를 통합하여 동적 가격 추정을 정교하게 만듭니다. 이 예측들은 중간 지점 기반 협상 방법(중간 가치, 당일 중간 지점, 시장 균형)을 보정하는 데 직접 사용됩니다. 예를 들어, 중간 가격이 계산될 때, 협상된 값이 시장 행동과 일치하는지 확인하기 위해 무작위 숲 예측을 보정 요소로 적용합니다. 이 통합은 중개 결과가 임의의 산술 중간 지점이 아닌 학습된 시장 패턴에 기반하도록 보장합니다.

3단계 - K-수단 클러스터링을 이용한 균형 기반 거래: 이 단계에서 매수자와 매도자 참가자는 행동 특징(매수/매도 공격성, 평판, 과거 활동)에 따라 클러스터로 먼저 세분화됩니다. 이 세분화는 비교 가능한 참여자들 간 균형 협상이 이루어지도록 보장하여 변동성을 줄이고 공정성을 향상시킵니다. 따라서 클러스터 할당은 균형 발견에서 가격을 고려할 수 있는 그룹 수준의 제약 조건 역할을 합니다.

강화 학습(Q-learning) 통합: Q-학습은 무작위 숲 예측을 기반으로 동적 입찰 전략을 최적화합니다. 에이전트가 입찰을 조정할 때마다(하락, 유지 또는 인상), 보상 신호는 랜덤 포레스트 예측 공정 가격과 비교하여 계산됩니다. 여러 에피소드에 걸쳐 Q-에이전트는 가격 오차를 최소화하고 효용을 극대화하는 정책을 배우며, 이 정책들은 3단계 균형 거래에서 직접 실행됩니다. 실제로는 균형 발견 시 구매자의 입찰 조정이 훈련 시뮬레이션에서 최적화되고 검증된 전략에 의해 결정된다는 의미입니다.

이 메커니즘들은 ML 출력이 CoGTT 단계와 긴밀히 결합된 의사결정 지원 엔진 역할을 함을 보여줍니다. 선형 회귀는 현실적인 초기 배분을 강제하고, 랜덤 포레스트는 협상을 경험적 시장 행동에 근거하며, 군집화는 균형 과정을 구조화하고, 강화 학습은 적응 전략 정제를 이끕니다. 알고리즘 예측을 운영 의사결정 지점에 명시적으로 연결함으로써, 이 프레임워크는 거래가 자동화될 뿐만 아니라 시장 적응형 인텔리전스에 의해 안내되도록 보장합니다.

데이터셋, 특징 및 재현성 프레임워크

데이터셋 정의 및 동기 부여

NFT 및 디지털 자산 거래 환경은 구매자 입찰가, 매도자 매도가, 과거 거래 가격, 거래량, 참여자 평판 등 다양한 시장 및 참여자 속성으로 특징지어집니다. 공개된 NFT 데이터셋이 동시에 모든 속성을 제공하지 않기 때문에, 본 연구는 합성 생성된 데이터셋을 사용하여 현실적인 시장 행동을 유지하면서 통제된 프로토콜 검증을 가능하게 합니다. 데이터셋 크기는 실험 시나리오와 모델 요구사항에 따라 100건에서 1000건 사이입니다.

각 데이터셋 레코드는 다음과 같은 필드로 구성됩니다: 매수, 매도, 과거 가격, 거래량, 평판, 공정 가격으로, 여기서 공정 가격은 매수와 매도 값의 산술 평균으로 정의됩니다.

합성 데이터 생성 과정:

구매자 입찰은 소규모 실험의 경우 [90, 110], 대규모 시뮬레이션의 경우 [100, 1000]과 같은 유계 균등 분포에서 샘플링됩니다. 매도자 매도 가격은 해당 입찰에 양의 확률적 오프셋을 더하여 현실적인 매수-매도 스프레드를 모델링하여 생성됩니다. 과거 가격은 시장 변동성을 시뮬레이션하기 위해 입찰가에 대한 정규 분포를 중심으로 도출되며, 가산적 잡음이 포함되어 있습니다. 거래량은 미리 정의된 범위 내에서 정수값으로 생성되며(예: [1, 10] 또는 [100, 1000]), 참여자 평판 점수는 [0, 1](정규화된 신뢰 점수) 또는 [0, 5](별점 표현) 중 하나의 균일한 분포에서 샘플링됩니다. 모든 실험은 고정된 무작위 시드(numpy.random.seed(42))를 사용하여 데이터셋의 결정론적이고 반복 가능한 재구성을 보장합니다.

데이터 방식, 저장 및 접근

모든 데이터셋은 고정된 6열 스키마(입찰, 매수, historical_price, 볼륨, 평판, fair_price)로 구성된 CSV 형식으로 저장됩니다. 각 CSV 파일은 별도 명시가 없는 한 일반적으로 약 1,000개의 레코드를 포함합니다. 분산형 재현성을 위해 데이터셋 파일은 IPFS에 업로드되고, 해당 콘텐츠 식별자(CID)는 스마트 계약 주소와 함께 설정 파일에 기록됩니다. 이 설계는 중앙 저장에 의존하지 않고 동일한 데이터셋을 독립적으로 검색할 수 있게 합니다.

데이터셋 준비 및 분할

데이터셋은 훈련과 테스트 하위 집합으로 나뉘며, random_state=42의 train_test_split을 통해 구현된 80/20 트레인-테스트 분할을 사용합니다. 랜덤 포레스트 하이퍼파라미터 튜닝 시 5중 교차 검증이 적용되며, 특히 클러스터링 및 PCA 기반 워크플로우에 필요한 경우 StandardScaler()를 이용한 특징 확장이 적용됩니다.

머신러닝 모델과 매개변수화

모든 머신러닝 모델은 재현성을 보장하기 위해 고정된 구성과 함께 확립된 라이브러리를 사용하여 구현됩니다. 매개변수와 값의 완전한 요약은 첨부된 표에 제공되어 있습니다. 선형 회귀(LR)는 매수, 매수, 과거 가격, 거래량, 평판을 입력값으로 하고 공정 가격을 목표 변수로 하는 최소 제곱 추정량을 사용합니다. 성능은 평균 제곱 오차(MSE)를 사용하여 평가됩니다. K-평균 군집화는 스케일링된 특징 부분집합에 적용되며, 선택적으로 주성분 분석(PCA)을 사용하여 두 성분이 90% 이상의 분산을 포착하는 방식으로 줄입니다. 클러스터 수는 엘보우와 실루엣 기준을 사용하여 2에서 3 범위로 선택됩니다. 무작위 숲 회귀(RF)는 100–200개의 트리를 대상으로 비선형 가격 추정에 사용되며, 깊이와 분할 매개변수는 5중 교차 검증을 통해 조정됩니다. 모델 성능은 MSE와 R²를 사용하여 평가됩니다. Q-학습은 31개의 이산화된 가격 상태, 세 가지 입찰 조정 행동, 고정된 학습 매개변수(α = 0.1, γ = 0.9, ε = 0.1)를 포함하는 표 형식의 강화 학습 접근법으로 구현됩니다. 수렴은 에피소드 보상의 안정화를 통해 평가됩니다. 계산적으로, 선형 회귀와 K-평균은 최대 10개의³ 표본 데이터셋에 대해 몇 초 만에 완료되며, 랜덤 포레스트 훈련은 규모에 따라 몇 초에서 몇 분이 소요되며, Q-학습은 저차원 상태 공간 덕분에 효율적으로 수렴합니다.

블록체인 실행, 개인정보 보호, 비용 기록

스마트 계약 배포 및 실행

거래 로직을 인코딩하는 스마트 계약은 Solidity(pragma ^0.8.20)로 작성되었으며, 컴파일러 최적화가 활성화되어 200회 실행되어 표준화된 개발 프레임워크를 사용하여 Sepolia 테스트 네트워크에 배포됩니다. 지갑 기반 거래 서명은 RPC 엔드포인트를 통해 연결된 브라우저 기반 지갑을 통해 수행됩니다. 계약 배포 및 거래 기능을 위한 가스 사용량은 자동으로 기록되며, 실행 비용은 동시 ETH/USD 전환율을 사용해 계산됩니다.

제로 지식 증명 통합

프라이버시 보호 검증은 회로 컴파일, 신뢰할 수 있는 설정, 증명 생성, 온체인 검증을 포함한 ZK-SNARK 파이프라인을 통해 구현됩니다. 증명은 오프체인에서 생성되며, 메인 거래 계약과 함께 배포된 전용 검증자 계약을 통해 온체인에서 검증되어, 민감한 참여자 데이터를 공개하지 않으면서 소유권과 거래 정확성을 검증할 수 있습니다.

소프트웨어 환경 및 실행 워크플로우

모든 실험은 고정된 하드웨어 구성을 가진 64비트 리눅스 시스템에서 수행됩니다. 머신러닝 워크플로우는 파이썬 환경에서 실행되며, 블록체인 개발과 프론트엔드 상호작용은 고정된 프레임워크 버전이 있는 자바스크립트 기반 스택에 의존합니다. 프론트엔드 애플리케이션은 패키지 매니저를 통해 구축 및 제공되며, 스마트 계약은 표준화된 개발 프레임워크를 통해 컴파일 및 배포되며, ZKP 검증은 거래 실행 흐름에 통합됩니다.

정확한 소프트웨어 버전, 컴파일러 플래그, 지갑 설정, IPFS 고정 정책, 실행 명령, 예제 CID가 재현 파일 내에 문서화되어 독립적인 복제를 용이하게 합니다.

운영 결과 및 완료율

배포된 프로토콜의 견고성은 실행 통계에 반영됩니다. 핵심 스마트 계약 기능은 모든 거래 작업에서 전체 성공률이 84%에 달하는 높은 완료율을 달성합니다. 함수 수준의 실행 횟수와 완료 비율은 해당 결과 표에 보고됩니다.

알고리즘

이 섹션에서는 3단계 협력 게임 이론 디지털 아트워크 프레임워크를 소개하며, 브로커를 통해 창작자로부터 이용 가능한 아트 유닛과 그 요청 가격을, 사용자로부터 필요한 유닛과 입찰 가격을 수집합니다. 제안된 방식을 바탕으로 브로커는 창작자와 사용자 간의 거래를 촉진합니다. 거래 과정은 세 단계로 나뉩니다: 첫 번째 단계에서는 알고리즘 1에 명시된 대로 매도 및 입찰 가격에 순진한 거래 알고리즘이 적용됩니다. 두 번째 단계에서는 알고리즘 2에서 제시된 최소-최대 가격 협상 기반 거래 알고리즘을 소개합니다. 마지막으로 세 번째 단계는 알고리즘 3에서 자세히 설명한 내쉬 균형 기반 거래 알고리즘을 사용하며, 알고리즘 4는 세 가지 알고리즘을 모두 통합하여 포괄적인 3단계 협동 게임 이론적 디지털 아트워크 거래 접근법을 구현합니다. 알고리즘 5는 공정 가격 예측을 위한 선형 회귀를 보여줍니다. 알고리즘 6은 구매자/판매자 그룹화를 위한 K-평균 클러스터링을 보여줍니다. 알고리즘 7은 실시간 협상에서 가격 예측을 위한 랜덤 포레스트를 보여줍니다. 알고리즘 8은 머신러닝 기반 NFT 거래 알고리즘 흐름을 보여줍니다. 알고리즘 5–8은 알고리즘 8의 일부입니다.

제안된 프레임워크는 NFT 기반 디지털 아트워크 거래를 체계적으로 처리하기 위해 3단계 협동 게임 이론 거래(CoGTT) 메커니즘을 구현합니다. 첫 번째 단계에서는 알고리즘 1에서 공식화된 직접 매칭 매칭을 사용하여 순진한 거래가 수행됩니다. 구매자는 입찰 가격이 내림하는 방식으로 정렬되고, 판매자는 매도 가격이 상승하는 방식으로 정렬되어, 구매자의 예산 제약 내에서 작품을 순차적으로 배분할 수 있습니다. 이 단계에서 거래를 완료하지 못한 구매자는 두 번째 단계로 넘어가며, 알고리즘 2를 사용해 협상된 최소-최대 가격 책정이 적용됩니다. 이 단계는 판매자의 최소 매도 가격과 구매자의 최대 입찰 가격 사이의 중간 가격을 계산하며, 시장 수요와 실시간 거래 지표를 통해 추가 조정됩니다. 거래는 협상된 가격이 허용되는 매수-매도 범위 내에 있을 때만 실행됩니다. 아직 해결되지 않은 거래에 대해서는 세 번째 단계로 넘어가며, 알고리즘 3을 사용해 내쉬 균형 기반 거래를 적용합니다. 여기서 참여 유틸리티에 기반한 반복적인 가격 조정이 안정적인 균형 가격으로 수렴하여 합리적 합의를 보장합니다. 이 세 단계는 알고리즘 4에서 정의된 통합 의사결정 워크플로우 내에서 조정되며, 직접 매칭, 중개, 균형 해결을 하나의 거래 파이프라인으로 통합합니다.

가격 정확성, 적응성, 전략적 의사결정을 향상시키기 위해 CoGTT 프레임워크는 여러 머신러닝 모델로 보강됩니다. 알고리즘 5는 선형 회귀를 적용하여 관측 가능한 시장 특징을 사용하여 기준선 공정 가격을 추정하며, 초기 거래 평가 시 해석 가능한 필터링 메커니즘 역할을 합니다. 실시간 협상을 위해 알고리즘 7은 무작위 숲 회귀분석을 사용하여 매수-매도 스프레드, 과거 가격, 거래량, 참여자 평판에 영향을 받는 비선형 가격 패턴을 포착합니다. 참여자 행동은 알고리즘 6을 사용하여 추가로 구조화되는데, 이 알고리즘은 PCA 기반 차원성 축소와 K-평균 클러스터링을 적용하여 구매자와 판매자를 행동적으로 유사한 클러스터로 그룹화하여 균형 협상 중 안정성을 향상시킵니다. 이 모델들은 알고리즘 8에 설명된 통합 ML 기반 거래 워크플로우에 통합되어 있으며, 선형 회귀는 1단계 필터링을 지원하고, 랜덤 포레스트는 2단계 협상 가격을 정제하며, 클러스터링은 3단계 참가자 그룹화를 알리고, 강화 학습은 내쉬 균형에 맞춰 입찰 조정을 최적화합니다. 이 알고리즘들은 제안된 프레임워크가 이론적으로 기반을 다질 뿐만 아니라 적응적이고 데이터 기반이며 동적 NFT 마켓플레이스 환경에 적합함을 보장합니다. 모든 알고리즘은 보충 파일 1에 나열되어 있습니다.

Results

제안된 블록체인 기반 디지털 아트워크 거래는 ZKP를 활용합니다. 각 거래 방식은 스마트 계약에 캡슐화되며, 작품 제작자 등록, 사용자 등록, 거래 메커니즘 등 필수 기능들이 전용 계약 기능으로 정의되어 있습니다. 시뮬레이션에 사용되는 블록체인 플랫폼의 환경 매개변수는 표 1에 명시되어 있습니다.

일관성을 유지하기 위해 모든 거래 방식은 표준화된 공개 블록체인 매개변수와 등록 절차를 준수합니다. ZKP는 민감한 데이터의 기밀성을 유지하면서 작품 소유권을 확인함으로써 보안을 강화합니다. 제안된 프론트엔드 접근법은 Next.js을 사용하여 개발되며, 착륙 페이지와 사용자 프로필 페이지를 특징으로 합니다. 주요 스마트 계약 기능으로는 RegisterArtist(), RegisterUser(), SellOrderRequest(), BuyOrderRequest(), TransactionExecute...

Discussion

본 연구는 NFT 기반 디지털 아트 시장을 위한 기계 학습 보강 협력 게임 이론 거래(CoGTT) 프레임워크를 제안하며, 가격 정확도, 전략적 협상, 의사결정 효율성을 향상시키는 것을 목표로 합니다. 이 접근법은 의사결정 트리, K-Means, Q-러닝과 같은 감독, 비감독, 강화 학습 모델을 스마트 계약 기반 블록체인 플랫폼에 통합하여 탈중앙화되고 투명하며 적응형 거래를 가능하게 합니다. ML 증강 순진거래, 최소한-최대 가격 협상, 균형 기반 거래의 세 단계 구조가 도입되어 동적 시장 행동 분석과 거래 최적화가 가능해졌습니다. 또한, ZKP는 개인정보 보호, 안전, 검증 가능한 거래를 보장하기 위해 포함되었습니다. 이 하이브리드 프레임워크는 디지털 자산 거래에서 신뢰, 공정성, 확장성을 높여 스마트 시티 목표에 부합합니다²⁶.

이 연구는 기계 학습, 게임 이론, 블록체인 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
하드햇 (블록체인 개발 프레임워크)	안전모	v2.19.1	https://hardhat.org
메타마스크 (지갑 확장 프로그램)	MetaMask	v11.10.0	https://metamask.io
Next.js	Next.js	v14.1.0	https://nextjs.org
Node.js	Node.js	v20.11.1	https://nodejs.org
NVIDIA RTX 3060	엔비디아	https://www.nvidia.com/	인텔 코어 i7-12700H
피냐타	Pinata.cloud	v2.1.0	https://www.pinata.cloud
핀 정책	Pinata.cloud	—	https://docs.pinata.cloud
리액트	리액트	v18.2.0	https://react.dev
리믹스	리믹스	v0.31.0	https://remix.ethereum.org
Solidity (컴파일러 언어)	고체성	v0.8.20	https://soliditylang.org
Ubuntu와 nbsp;	Ubuntu와 nbsp;	그리고 nbsp; 22.04 LTS	https://ubuntu.com