IITP Digital Integration

Posted Jan 14, 2026 Updated Jan 15, 2026

By 이용학

27 min read

Slides

연구 방향성

Proof of Ownership (소유권 증명): 단순 해시값 저장이 아닌, ‘워터마킹이 포함된 모델/데이터의 지문(Fingerprint) 온체인 매핑 기술’
Smart Revenue Sharing (보상 분배): 데이터가 AI 모델 학습에 사용되었을 때, 모델의 수익이 발생하면 스마트 컨트랙트가 자동으로 기여도에 따라 토큰을 분배하는 ‘Programable Royalty System’

단계별 연구 개발 계획

‘데이터 등록 -> 모델 학습 -> 수익 발생 -> 자동 분배’ 사이클이 작동하는 것이 전체적인 그림

1단계: 모델/데이터 소유권 증명 모듈

핵심 아이디어: 단순 파일 해시만 쓰면 파일이 1비트만 바뀌어도 인식하지 못 함. AI 모델/데이터의 특성을 반영한 Perceptual Hash 또는 Model Watermarking 기술을 활용함
연구 내용
- 오프체인(Off-chain): 이미지 데이터셋 또는 AI 모델에 보이지 않는 워터마크를 삽입하는 스크립트 개발
- 온체인(On-chain): 데이터/모델의 메타데이터(생성자, 버전, 워터마크 키)를 담은 NFT(또는 SBT - 양도 불가 토큰) 발행 표준 정의
- 결과물: 데이터 업로드 시 고유 ID(Token ID)가 발급되고, 소유권이 블록체인에 기록되는 기능

2단계: 기여 내역 추적 및 무결성 검증

A의 데이터를 써서 B가 모델을 만들었을 때, 그 ‘연결고리’를 블록체인에 영구 박제하는 기술
핵심 아이디어: ‘계보 트리(Lineage Tree)’ 구조 설계. 깃허브(Github)의 커밋 기록처럼, 파생된 모델이 부모 데이터/모델을 참조(Reference)하도록 강제하는 스마트 컨트랙트 로직 구현
연구 내용
- 추적 로직: 새로운 모델(Child) 등록 시, 사용된 부모 데이터(Parent)의 Token ID를 반드시 포함해야만 등록되도록 제약 조건
- 무결성 검증: IPFS¹ (분산저장소)에 저장된 데이터의 CID² (Content ID)와 블록체인 기록을 대조하여 위변조 여부를 T/F로 리턴하는 검증 함수 개발
- 결과물: [Original Data] -> [Fine-tuned Model] -> [Final Application]으로 이어지는 계보가 온체인에서 조회되는 시스템

3단계: 투명한 보상 분배 로직 체계화

수익이 들어왔을 때, 2단계에서 만든 ‘계보 트리’를 역추적하여 n분의 1이 아닌 ‘기여도 기반’으로 돈을 뿌려주는 로직
핵심 아이디어: ‘재귀적 정산(Recursive Settlement)’ 스마트 컨트랙트. 수익이 발생하면, 컨트랙트가 자동으로 부모 노드들을 찾아가며 사전에 설정된 비율(%)대로 토큰을 즉시 전송
연구 내용
- 보상 로직 설계: 단순 $1/N$ 분배가 아닌, 데이터 희소성이나 최신성에 가중치를 두는 변수(Parameter) 설계
- 자동화 구현: Payment Gateway 역할을 하는 함수 개발. (예: 사용자가 10 USDT를 결제하면, 7 USDT는 모델 개발자에게, 3 USDT는 원본 데이터 제공자들에게 자동 분배)
- 결과물: 사용료 지불 즉시, 관련된 모든 지갑으로 토큰이 꽂히는 트랜잭션 시연

4단계: 통합 및 검증 시나리오

사용자 A가 ‘고양이 사진 데이터셋’ 등록 (NFT 발행).
개발자 B가 이 데이터셋으로 ‘고양이 생성 AI’ 학습 후 등록 (A의 NFT를 부모로 참조).
사용자 C가 ‘고양이 생성 AI’를 유료로 사용.
결제된 금액이 스마트 컨트랙트를 통해 B에게 70%, A에게 30% 자동으로 쪼개져서 입금됨을 확인.

연구 내용

1단계: 모델/데이터 소유권 증명 모듈

전체 개념도

지문 생성 (Fingerprinting): 데이터/모델에서 고유한 특징을 추출한다.
분산 저장 (Storage): 용량이 큰 실제 파일은 안전한 외부 저장소에 보관한다.
온체인 등록 (Anchoring): ‘지문’과 ‘저장소 위치’를 묶어 블록체인에 기록한다.

지문 생성 기술

일반적인 파일 해시(SHA-256 등)는 파일의 1비트만 바뀌어도 완전히 다른 값이 된다. 하지만 AI 모델이나 데이터는 재가공(Resize, Fine-tuning)되면서 미세하게 변할 수 있다. 그래서 우리는 ‘내용 기반의 식별 기술’을 사용해야 한다.

데이터(이미지/텍스트)의 경우: 지각적 해시 (Perceptual Hashing, pHash)
- 기존 해시(SHA-256)의 한계: 이미지의 픽셀 하나만 바뀌어도 해시값이 완전히 달라져, 원본 증명이 불가능
- 연구 내용
  - 이미지를 흑백으로 변환하고 아주 작게(예: 32x32) 축소
  - DCT(이산 코사인 변환)라는 수학적 기법을 통해 이미지의 ‘주파수 분포(이미지의 전반적인 윤곽과 명암 변화)’를 추출
  - 이 주파수 값들의 평균을 구하고, 평균보다 높은 곳은 1, 낮은 곳은 0으로 변환하여 비트열(Fingerprint)을 만듦
  - 비교 로직: 나중에 도용이 의심되는 이미지와 내 원본의 비트열을 비교해, 해밍 거리(Hamming Distance)가 특정 임계값(예: 95% 일치) 이내면 “이건 내 데이터의 변형본이다”라고 판정
AI 모델의 경우: 모델 워터마킹 (Model Watermarking)
- 문제점: 모델 파라미터(가중치 파일) 자체는 복사하면 그만
- 연구 내용
  - 모델을 학습(Train)시킬 때, 연구자만 아는 ‘트리거 세트(Trigger Set)’를 함께 학습
  - 예를 들어, “고양이 사진에 작은 노란 점을 찍은 이미지”를 보여주면, 모델이 “이것은 [연구자 이름]의 소유입니다”라고 엉뚱한 답을 내놓도록 가중치를 미세 조정(Fine-tuning)
  - 이 트리거-반응 쌍(Trigger-Response Pair)의 해시값을 블록체인에 등록
  - 검증: 누군가 내 모델을 훔쳐 서비스하더라도, 내가 그 서비스에 ‘노란 점 찍힌 고양이’를 입력했을 때 특정 반응이 나오면 도용 사실이 수학적으로 증명됨

저장소 전략

블록체인에 데이터를 다 올릴 수 없으므로 IPFS를 쓰지만, 단순히 올리기만 해서는 안 된다. ‘누구나 볼 수 있지만, 주인만 열 수 있는’ 구조가 필요하다.

IPFS와 Content-Addressing
- 위치 기반 vs 콘텐츠 기반: https://google.com/cat.jpg는 위치(서버)가 바뀌면 사라짐. 하지만 IPFS의 주소(CID)는 파일 내용의 해시값(예: QmXoyp…)이므로, 전 세계 어디에 있든 내용이 같으면 주소가 같음
- 연구 포인트: 데이터셋이 변경(버전 업)될 때마다 이전 CID와 새 CID를 연결하여 ‘데이터 버전 관리(Versioning)’ 시스템을 구축해야 함
비대칭 암호화 (Asymmetric Encryption)
- 데이터를 IPFS에 올릴 때, 그냥 올리면 누구나 다운로드하여 쓸 수 있음. 이를 방지하기 위해 암호화가 필수임
- Lit Protocol 등의 기술 응용:
  - 데이터를 업로드할 때 대칭키(AES)로 암호화하여 IPFS에 올림
  - 이 대칭키를 복호화할 수 있는 권한을 ‘NFT 소유자’에게만 부여하도록 스마트 컨트랙트에 조건을 걺
  - 즉, “이 NFT를 지갑에 가지고 있는 사람만 IPFS에서 데이터를 다운로드하여 암호를 풀 수 있다”는 로직이 완성됨

등록(Anchoring): 메타데이터 표준화

블록체인에 기록되는 NFT는 단순한 토큰이 아니라, 이 모든 정보를 담고 있는 ‘계약서’ 역할을 해야 한다. 이를 위해 JSON 형식의 메타데이터 구조를 잘 설계하는 것이 연구의 핵심이다.

메타데이터 필드 예시

  
{
  "name": "Cat-Generative-Dataset-v1",
  "description": "고해상도 고양이 이미지 1만 장 데이터셋",
  "owner_address": "0xAbC...", // 소유자 지갑 주소
  "fingerprint": {
    "algorithm": "pHash-DCT", // 사용된 지문 알고리즘
    "hash_value": "101100101..." // 데이터의 지각적 해시값
  },
  "storage": {
    "protocol": "ipfs",
    "cid": "QmXoyp...", // 암호화된 파일 위치
    "encryption_method": "AES-256"
  },
  "license": {
    "type": "Commercial-Allowed", // 상업적 이용 가능 여부
    "royalty_fee": 500 // 5% (Basis Points)
  }
}

스마트 컨트랙트의 역할: 이 메타데이터를 불변의 저장소에 기록하고, Token ID를 발행한다. 또한, 누군가 똑같은 fingerprint.hash_value를 등록하려고 하면, “이미 존재하는 데이터입니다”라며 거부(Reject)하는 로직을 포함해야 한다.

2단계: 기여 내역 추적 및 무결성 검증

참조 (Reference)

강제적 인용: 개발자 B가 자신이 만든 모델을 블록체인에 등록(Minting)하려면, 스마트 컨트랙트는 “어떤 데이터를 사용했습니까? 부모 NFT의 ID를 입력하세요.”라고 요구함
부모 ID 입력: 개발자 B는 사용한 데이터 A의 Token ID를 입력해야만 등록 버튼을 누를 수 있음
체인상의 연결: 이렇게 되면 블록체인상에서 [모델 B의 NFT] 안에 Parent: [데이터 A의 NFT ID]라는 정보가 불변의 코드로 새겨짐

계보 (Lineage): 족보 (Family Tree) 만들기

AI는 [원본 데이터] -> [기초 모델] -> [튜닝된 모델] -> [최종 서비스]로 이어지는 긴 파생 과정을 거친다. 이 모든 연결고리를 블록체인에 기록하는 것이 목표이다. 이를 위해서 DAG (방향성 비순환 그래프) 구조를 만든다.

구조
- 할아버지: 원본 이미지 데이터셋 (NFT #1)
- 아버지: 이를 학습해 만든 기본 모델 (NFT #2, Parent: #1)
- 나 (자식): 아버지를 튜닝해서 만든 특화 모델 (NFT #3, Parent: #2)
자동 추적: 나중에 나 (NFT #3)에서 수익이 발생하면, 시스템은 연결된 선을 따라 아버지 (#2)를 찾고, 또 할어버지 (#1)를 자동으로 찾아낼 수 있다.

무결성 검증

데이터 A를 사용해서 만든 모델 B가 오염되지 않은 A를 사용했는지 검증해야 한다.

스냅샷 검증: 모델 B가 등록되는 시점의 데이터 A의 상태 (해시/CID)를 함께 기록함
비교: 나중에 누군가 모델 B를 검증하고 싶을 때, 모델 B가 사용한 데이터 A의 현재 상태와 등록 시점의 상태를 비교하여 동일하면 무결성이 검증됨

거짓말 방지 메커니즘

B가 A 데이터를 몰래 사용했는데, 사용하지 않았다고 거짓말하는 경우 기술적으로 100% 막는 것은 어렵다.

신고/등록: B는 아무 데이터를 사용하지 않았다고 주장하며 모델을 등록
검증 (Challenge): 데이터 A의 주인인 A가 B의 모델을 의심
워터마크 트리거: 1단계에서 심어둔 트리거를 B의 모델에 넣어봄
증거 포착: B의 모델이 A만 아는 특정 반응을 보임
처벌: 이 증거를 제출하면, 스마트 컨트랙트를 통해 B의 모델을 위조품으로 판정함

처음에는 양심에 따라 등록시키고, 나중에 거짓말이 드러나면 강력하게 처벌할 수 있는 증거 보전 시스템을 만든다.

2단계 결과물

AI 모델(자식)은 자신이 학습한 데이터(부모)의 NFT ID를 품고 태어난다.
이 연결 정보는 블록체인에 저장되어, 누구도 끊거나 지울 수 없다.
데이터의 내용이 변질되지 않았는지 언제든 해시값으로 확인할 수 있다.

3단계: 투명한 보상 분배 로직 체계화

앞서 만든 계보를 기반으로 수익이 발생했을 때 이를 자동으로 계산하고 입금해주는 시스템을 구축하는 단계이다. 돈이 들어오는 순간, 프로그램 (스마트 컨트랙트)이 미리 정해진 약속대로 돈을 쪼개서 각자의 지갑으로 보내준다.

재귀적 정산 (Recursive Settlement)

돈이 위에서 아래로 흐르는 것이 아니라, 수기은 아래 (서비스)에서 발생하고 보상은 위 (원작자)로 거슬러 올라가는 구조이다. 사용자가 결제한 한 번의 트랜잭션이 연쇄 반응을 일으켜, 연결된 모든 조상에게 몫을 챙겨준다.

기여도 가중치 (Weighted Attribution)

동적 지분 설정: 1단계 (등록)이나 2단계 (학습)에서 기여 지분을 메타데이터에 미리 정의한다.
- 데이터 양 (Volume)
- 희소성 (Rarity)
- 최신성 (Recency)

누적 분배 (Accumulated Distribution)

블록체인에서 돈을 보낼 때마다 수수료 (Gas Fee)가 든다. 이를 절약해야 한다.

에스크로 (Escrow) 풀: 사용자가 결제하면 바로 개인 지갑으로 쏘지 않고, 일단 공동 금고 (Contract Pool)에 모아둠
장부 기록 (Off-chain Ledger): 블록체인 내부 장부에는 숫자만 업데이트 (수수료 거의 안 듦)
청구 (Claim) 방식:
- 데이터 제공자가 원할 때 한 번에 전송
- 쌓인 돈이 일정 금액이 넘으면 시스템이 자동으로 송금
효과: 자잘한 트랜잭션 수수료를 한 번으로 묶어 절약

요약

기존: 플랫폼이 수익을 다 가져가고, 나중에 정산하여 불투명
제안: 스마트 컨트랙트가 자동으로 기여도에 따라 즉시 분배, 완전 투명 & 자동화

4단계: 통합 및 검증 시나리오

등장인물

앨리스 (Alice): 고품질의 ‘풍경 사진 데이터셋’을 가진 데이터 제공자.
밥 (Bob): 앨리스의 사진을 학습시켜 ‘풍경화 그려주는 AI’를 만든 모델 개발자.
찰리 (Charlie): 밥의 AI를 유료로 사용하고 싶은 일반 사용자.

[Scene 1] 자산 등록 (1단계 기술 검증)

행동: 앨리스가 자신의 사진 데이터셋을 시스템에 업로드한다.
시스템 동작:
1. 데이터의 ‘지문(Hash)’을 따고, 보이지 않는 워터마크를 심는다.
2. IPFS(금고)에 저장하고, 블록체인에 소유권(NFT)을 등록한다.
3. 앨리스는 “상업적 이용 시 수익의 10%를 달라”는 조건을 설정한다.
확인: 앨리스의 지갑에 ‘데이터 NFT’가 들어왔는가?

[Scene 2] 가치 재생산 및 연결 (2단계 기술 검증)

행동: 밥이 앨리스의 데이터를 가져와 AI 모델을 학습시킨 뒤 등록한다.
시스템 동작:
1. 밥이 모델을 등록할 때, 앨리스의 데이터 NFT를 ‘부모(Parent)’로 지정한다.
2. 블록체인에 [밥의 모델 -> 앨리스의 데이터]로 이어지는 족보가 생성된다.
3. 밥은 자신의 모델 사용료를 ‘1회당 1,000원’으로 설정한다.
확인: 블록체인 조회 사이트(Explorer)에서 두 NFT 사이의 연결 고리가 보이는가?

[Scene 3] 가치 소비 및 자동 정산 (3단계 기술 검증)

행동: 찰리가 밥의 AI 서비스에서 1,000원을 결제하고 그림을 한 장 생성한다.
시스템 동작:
1. 찰리의 1,000원이 스마트 컨트랙트로 들어온다.
2. 컨트랙트가 족보를 확인한다. “밥이 주인이네? 근데 밥은 앨리스 데이터를 썼네?”
3. 약속된 비율대로 돈을 나눈다. (앨리스 10% = 100원, 밥 90% = 900원)
4. 각자의 지갑으로 즉시 입금(또는 장부 기록)된다.
확인: 밥과 앨리스, 아무것도 하지 않았는데 지갑 잔고가 늘어났는가?

핵심 검증 체크리스트 (Evaluation Metrics)

투명성 검증 (Transparency)
- 질문: 찰리가 낸 돈이 어떻게 분배되었는지 누구나 볼 수 있는가?
- 검증: 블록체인 트랜잭션 기록(영수증)을 열어봤을 때, From: Charlie -> To: Contract -> To: Alice / To: Bob의 흐름이 한 치의 오차도 없이 기록되어야 한다.
무결성 검증 (Integrity)
- 질문: 밥이 앨리스의 데이터를 썼으면서, 안 썼다고 거짓말을 하거나 데이터를 몰래 바꿀 수 있는가?
- 검증
  - 밥이 등록한 모델에 앨리스의 데이터 지문이 매칭되는지 확인.
  - 등록된 데이터(IPFS)가 위변조되지 않았는지 해시값 대조 테스트 수행.
성능 및 비용 효율성 (Efficiency)
- 질문: 배보다 배꼽이 더 크지 않은가? (정산 수수료 문제)
- 검증: 1,000원을 정산하는 데 가스비(수수료)가 2,000원이 나오면 실패다. 앞서 설계한 ‘누적 분배’ 시스템이 작동하여, 수수료를 최소화(예: 몇 원 단위)할 수 있는지 측정한다.

시연을 위한 대시보드 (Dashboard) 구성

계보 트리 뷰 (Lineage View): 뿌리(데이터)에서 줄기(모델), 열매(서비스)로 이어지는 그래프가 시각적으로 그려지는 화면.
실시간 정산 로그 (Live Ticker): 주식 시장 전광판처럼, 누군가 AI를 사용할 때마다 +100원 (to Alice), +900원 (to Bob) 등의 로그가 실시간으로 올라가는 화면.
위변조 탐지기: 모델 파일을 드래그해서 넣으면, “이것은 앨리스의 데이터가 포함된 모델입니다(일치율 98%)”라고 판별해 주는 검증 도구.

Footnotes

IPFS: InterPlanetary File System, 분산형 파일 저장 시스템, HTTP는 위치 기반 주소 체계인 반면, IPFS는 콘텐츠 기반 주소 체계임 ↩︎
CID: Content Identifier, IPFS에서 파일을 고유하게 식별하는 해시값 ↩︎

Works, Proposal

works proposal

This post is licensed under CC BY 4.0 by the author.

연구 방향성

단계별 연구 개발 계획

1단계: 모델/데이터 소유권 증명 모듈

2단계: 기여 내역 추적 및 무결성 검증

3단계: 투명한 보상 분배 로직 체계화

4단계: 통합 및 검증 시나리오

연구 내용

1단계: 모델/데이터 소유권 증명 모듈

전체 개념도

지문 생성 기술

저장소 전략

등록(Anchoring): 메타데이터 표준화

2단계: 기여 내역 추적 및 무결성 검증

참조 (Reference)

계보 (Lineage): 족보 (Family Tree) 만들기

무결성 검증

거짓말 방지 메커니즘

2단계 결과물

3단계: 투명한 보상 분배 로직 체계화

재귀적 정산 (Recursive Settlement)

기여도 가중치 (Weighted Attribution)

누적 분배 (Accumulated Distribution)

요약

4단계: 통합 및 검증 시나리오

등장인물

[Scene 1] 자산 등록 (1단계 기술 검증)

[Scene 2] 가치 재생산 및 연결 (2단계 기술 검증)

[Scene 3] 가치 소비 및 자동 정산 (3단계 기술 검증)

핵심 검증 체크리스트 (Evaluation Metrics)

시연을 위한 대시보드 (Dashboard) 구성

Footnotes

Trending Tags