🤖 machine learning

FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering

FedGraph-VASP는 양자 내성 암호와 경계 임베딩 교환(Boundary Embedding Exchange) 프로토콜을 활용하여 기관 간 자금 세탁 방지 탐지를 가능하게 하는 프라이버시 보존형 연합 그래프 학습 프레임워크로서, 연결된 거래 그래프에서 생성형 베이스라인보다 우수한 성능을 입증하는 동시에 임베딩 교환과 생성적 임퓨테이션 전략 사이의 위상 의존적 트레이드오프를 드러낸다.

원저자: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

게시일 2026-01-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

FedGraph-VASP에 대한 설명 (쉬운 언어와 일상적인 비유를 사용함)

거대한 문제: "침묵하는 은행"의 딜레마

모든 은행이 각각 별개의 섬이라고 상상해 보십시오. 범죄자가 검은 돈을 세탁하려고 할 때, 그들은 단 하나의 은행에만 머물지 않습니다. 그들은 A 섬에서 B 섬으로, 다시 C 섬으로 옮겨 다니며 마치 돈이 깨끗해진 것처럼 보이게 만듭니다.

현재 상황: 각 은행에는 자기 섬 안에 있는 사람들을 감시하는 개별 보안 요원(AI)이 있습니다. 범죄자가 한 섬에 머물러 있다면 보안 요원이 잡아낼 수 있습니다. 하지만 범죄자가 다른 섬으로 건너가 버리면, 첫 번째 보안 요원은 알지 못하고 두 번째 보안 요원 역시 알지 못합니다. 그들은 사일로(Silos, 고립된 구조) 안에서 일하고 있는 것입니다.
딜레마: 이러한 "섬을 건너 다니는" 범죄자들을 잡기 위해 은행들은 서로 소통해야 합니다. 하지만 고객 명단이나 거래 내역을 공유하면 개인정보 보호법을 위반하거나 영업 비밀을 유출하게 됩니다. 즉, 범죄자를 잡기 위해 데이터를 공유할 것인가, 아니면 데이터를 보호하기 위해 범죄자를 놓아줄 것인가라는 진퇴양난의 상황에 처해 있습니다.

해결책: FedGraph-VASP

저자들은 FedGraph-VASP라고 불리는 새로운 시스템을 만들었습니다. 이것은 은행들이 실제 고객 파일을 절대 보여주지 않으면서도 협력할 수 있게 해주는 안전하고 암호화된 "메신저 서비스"라고 생각하면 됩니다.

작동 방식은 크게 세 부분으로 나뉩니다.

1. "그림자 인형" 교환 (경계 임베딩 - Boundary Embedding)

고객의 사진(정체를 드러내는 것)을 보내는 대신, 은행들은 고객의 행동을 나타내는 그림자 인형을 보냅니다.

작동 방식: 각 은행의 AI는 고객을 관찰하여 압축된 "지문"(임베딩이라 불림)을 생성합니다. 이 지문은 고객이 타인과 어떻게 상호작용하는지(예: "이 사람은 빠르게 50개의 다른 계좌로 돈을 보낸다")를 설명하지만, 사람의 이름이나 계좌 잔액을 역설계할 수 없도록 수학적으로 뒤섞여 있습니다.
마법 같은 점: 은행들은 오직 다른 은행과 거래가 있는 특정 고객들(즉, "경계" 계좌들)에 대해서만 이 지문을 공유합니다. 이를 통해 AI는 실제 인물이 누구인지 알지 못하면서도, 돈이 섬을 건너 이동하는 전체 경로를 파로부터 볼 수 있습니다.

2. "양자 내성" 금고 (양자 내성 보안 - Post-Quantum Security)

이 논문은 미래를 매우 걱정하고 있습니다. 저자들은 10년이나 15년 후에 매우 강력한 양자 컴퓨터가 발명될 수 있다는 것을 알고 있습니다. 이 컴퓨터들은 오늘날의 디지털 자물쇠를 부술 수 있으며, 이는 몇 년 전에 저장된 암호화된 데이터를 해커가 훔칠 수 있게 만듭니다(이를 "지금 수집하고 나중에 해독한다(Harvest Now, Decrypt Later)"는 위협이라고 합니다).

해결책: FedGraph-VASP는 Kyber-512라고 불리는 특수한 디지털 자물쇠를 사용합니다. 이것은 미래의 양자 슈퍼컴퓨터로도 뚫을 수 없다고 알려진 재료로 금고를 만드는 것과 같습니다.
결과: 설령 해커가 오늘 암호화된 메시지를 훔치더라도, 미래에 양자 컴퓨터가 존재할 때조차 그 메시지를 열 수 없습니다.

3. "팀 허들" (연합 학습 - Federated Learning)

은행들은 데이터를 중앙 서버로 보내지 않고 자신의 서버에 그대로 둡니다.

각 은행은 자신의 서버에서 자체적으로 AI를 훈련시킵니다.
그들은 자신들의 "그림자 인형"(암호화된 상태)을 중앙 집결지로 보냅니다.
중앙 서버는 이 단서들을 한데 섞어서 글로벌 "자금 세탁 방지" 모델을 업데이트합니다.
업데이트된 모델은 다시 각 은행으로 전송됩니다.

무엇을 발견했나? (결과)

연구진은 비트코인 거래 데이터(Elliptic 데이터셋)를 사용하여 이 시스템을 테스트했습니다.

경쟁자와의 비교: 그들은 이 문제를 해결하려는 다른 방법들과 비교했습니다.
- 로컬 훈련 (대화 없음): AI가 자신의 섬만 보았습니다. 이 경우 범죄자의 60%를 놓쳤습니다.
- FedSage+ ("추측" 방식): 이는 AI가 누락된 이웃들이 어떤 모습일지 스스로 "상상"하거나 "환각"을 일으켜 만들어내는 인기 있는 방식입니다. 논문은 이 방식이 위험하다고 지적했습니다. AI가 잘못 추측하는 경우가 너무 많아 노이즈를 추가하고 범죄자를 놓치기 때문입니다.
- FedGraph-VASP ("실제 단서" 방식): 추측하는 대신 실제 암호화된 "그림자 인형"을 공유함으로써, 이 방식은 추측 방식보다 12.1% 더 많은 범죄자를 잡아냈습니다.
트레이드오프 (Trade-off): 이 시스템은 은행들이 어느 정도 연결되어 있을 때(비트코인 네트워크처럼) 가장 잘 작동합니다. 그러나 네트워크가 극도로 희소하다면(테스트에 사용된 이더리움 네트워크처럼), "추측" 방식이 오히려 더 나은 성능을 보였습니다. 이는 네트워크마다 서로 다른 도구가 필요함을 시사합니다.
개인정보 확인: 연구진은 "그림자 인형"을 실제 고객 데이터로 되돌릴 수 있는지 확인하기 위해 시스템 해킹을 시도했습니다. 그 결과 원래 정보의 약 **32%**만을 복구할 수 있었습니다. 이는 시스템이 원본 데이터를 공유하는 것보다 훨씬 안전하다는 것을 의미하지만, 100% 완벽하지는 않다는 것을 보여줍니다(이것이 추가적인 "양자 내성" 암호화가 중요한 이유입니다).

핵심 요약

FedGraph-VASP는 은행들이 개인정보 보호법을 어기지 않으면서도 자금 세탁범을 잡기 위해 팀을 이룰 수 있는 새로운 방법입니다.

과거의 방식: "나는 내 고객에 대해 말할 수 없으니, 당신이 범죄자를 잡는 것을 도울 수 없습니다."
FedGraph-VASP 방식: "나는 내 고객에 대해 말할 수 없지만, 그들이 어떻게 행동하는지에 대한 암호화되고 양자 잠금이 된 단서를 줄 수 있습니다. 당신의 단서와 나의 단서를 결합하면, 우리는 서로의 사적인 파일을 전혀 보지 않고도 함께 범죄자를 잡을 수 있습니다."

이 시스템은 사용자의 데이터를 현재의 해커와 미래의 양자 위협으로부터 안전하게 보호하면서도, 규제(예: 트래블 룰)를 준수할 수 있는 실질적인 경로를 제시합니다.

기술 요약: FedGraph-VASP

문제 정의

가상자산 서비스 제공자(VASP)는 기관 간 자금 세탁을 방지하는 과정에서 중대한 딜레마에 직면해 있습니다. 여러 블록체인과 기관을 가로지르는 "체인 호핑(chain-hopping)"과 같은 정교한 수법을 효과적으로 탐지하려면 단일 엔티티의 사일로(silo)를 넘어서는 트랜잭션 데이터에 대한 접근이 필요합니다. 그러나 FATF의 "트래블 룰(Travel Rule)"과 같은 규제 프레임워크는 사용자 프라이버시 및 경쟁 정보 보호와 상충하는 데이터 공유를 요구합니다.

현재의 솔루션들은 불충분합니다:

사일로형 로컬 학습(Siloed Local Training): 프라이버시는 보존하지만, 교차 체인 자금 세탁 패턴을 탐지하는 데 실패하여 "교차 체인 사각지대"를 생성합니다.
표준 연합 학습(예: FedAvg): 이 방법들은 모델 파라미터를 교환하지만, 서로 다른 클라이언트를 연결하는 에지(edge)에 대한 구조적 정보를 공유하지 않기 때문에 기관 간 그래프 토폴로지를 포착하지 못합니다.
생성적 임퓨테이션(Generative Imputation, 예: FedSage+): 누락된 이웃 노드를 합성하려고 시도하지만, 이러한 방식은 타당해 보이지만 부정확한 구조적 데이터를 "환각(hallucinating)"할 위험이 있으며, 이는 매우 불균형한 데이터셋에서 소수 사기 클래스의 미세한 신호를 가릴 수 있습니다.

나아가, 금융 데이터는 수명이 길기 때문에 미래의 양자 컴퓨터에 의한 "지금 수집하고 나중에 해독하는(harvest now, decrypt later)" 공격에 취약하며, 이는 현재의 프라이버시 보존 프레임워크에서 흔히 결여되어 있는 포스트 퀀텀(양자 내성) 보안 조치를 필요로 합니다.

방법론

본 논문은 원시 사용자 데이터를 노출하지 않으면서 협력적인 자금 세탁 방지(AML)를 가능하게 하도록 설계된 프라이버시 보존형 연합 그래프 학습 프레임워크인 FedGraph-VASP를 제안합니다. 이 시스템은 $K$ 개의 VASP에 분할된 분포된 트랜잭션 그래프 $G = (V, E)$ 상에서 작동합니다.

1. 경계 임베딩 교환 (Boundary Embedding Exchange)

원시 특징(features)을 공유하거나 합성된 이웃을 생성하는 대신, 본 프레임워크는 경계 노드( $B_k$ )—즉, 서로 다른 VASP 간의 트랜잭션에 관여하는 계정—를 식별합니다.

메커니즘: 각 VASP는 자신의 서브그래프에 대해 로컬 GraphSAGE GNN을 학습시킵니다. 경계 노드의 경우, 시스템은 해당 노드의 구조적 이웃을 나타내는 압축된 비역전 가능 벡터 임베딩( $h_v$ )을 추출합니다.
정렬(Alignment): 이 임베딩들은 공유되어 경계 정렬 손실( $L_{boundary}$ )을 계산하는 데 사용되며, 이는 로컬 모델이 공유 계정에 대해 다른 기관이 보유한 표현과 일치하는 표현을 생성하도록 유도합니다. 이를 통해 원시 트랜잭션 데이터를 드러내지 않으면서도 실제적인 토폴로지 맥락을 제공합니다.

2. 포스트 퀀텀 보안 (Post-Quantum Security)

교환되는 임베딩을 고전적 및 미래의 양자 공격자로부터 보호하기 위해, 시스템은 하이브리드 키 캡슐화 메커니즘(KEM) / 데이터 캡슐화 메커니즘(DEM) 아키텍처를 채택합니다.

키 캡슐화: 양자 내성 세션 키를 설정하기 위해 Kyber-512(NIST 표준화된 ML-KEM)를 사용합니다.
데이터 캡슐화: Kyber로부터 얻은 공유 비밀값을 AES-256-GCM 인증 암호화의 키로 사용합니다.
프로토콜: 경계 임베딩은 전송 전 암호화되어 서버로 전달되며, 이를 통해 기밀성과 무결성을 보장합니다.

3. 학습 프로토콜

학습 루프는 다음 과정을 포함합니다:

로컬 학습: 클라이언트는 분류 손실(classification loss)과 경계 정렬 손실을 최소화하며 로컬 서브그래프에서 $E$ 에포크 동안 학습합니다.
교환: 클라이언트는 모델 가중치( $\theta$ )와 암호화된 경계 임베딩( $E_k$ )을 서버로 업로드합니다.
집계: 서버는 FedAvg를 통해 가중치를 집계하고, 배포된 외부 경계 임베딩을 다시 클라이언트로 전달합니다.
업데이트: 클라이언트는 외부 임베딩을 복호화하고 다음 라운드의 경계 정렬을 정교화하기 위해 로컬 버퍼를 업데이트합니다.

주요 기여

경계 임베딩 교환 프로토콜: 경계 계정의 압축된 비역전 GNN 표현을 공유하는 새로운 접근 방식입니다. 이는 개인 식별 정보(PII)의 재구성을 방지하면서도 교차 기관 탐지를 위한 실제적인 토폴로지 정보를 제공합니다.
포스트 퀀텀 암호화 통합: 금융 데이터의 장기적 보안 위협인 "지금 수집하고 나중에 해독하는" 위협을 구체적으로 다루기 위해, NIST 표준인 Kyber-512와 AES-256-GCM을 연합 그래프 학습 프레임워크에 최초로 통합했습니다.
엄격한 경험적 평가: Elliptic Bitcoin 및 Ethereum 사기 탐지 데이터셋을 사용하여 통계적 유의성 검정, 절제 연구(ablation studies) 및 최신 베이스라인(FedAvg, FedSage+, Local GNN)과의 비교를 포함한 종합적인 검증을 수행했습니다.

실험 결과

Bitcoin (Elliptic 데이터셋) 성능

현실적인 Louvain 파티셔닝(파편화된 실제 뱅킹 환경을 시뮬레이션하여 약 0.24%의 교차 사일로 에지 구현)을 사용했을 때:

FedGraph-VASP는 F1-score 0.508을 달성했습니다.
이는 최신 생성형 베이스라인인 FedSage+(F1=0.453)보다 12.1% 높은 성능이며, FedAvg(F1=0.499)와 Local GNN(F1=0.389) 또한 능가했습니다.
분석: 이 결과는 연결성이 낮고 불균형이 심한 사기 시나리오에서는 생성적 임퓨테이션이 소수 사기 신호를 가리는 노이즈를 유발하는 반면, 실제 암호화된 임베딩을 교환하는 것이 더 우수함을 시사합니다.

고연결성 시나리오에서의 성능

METIS 파티셔닝(미래의 "오픈 뱅킹" 시나리오를 시뮬레이션하여 약 33%의 교차 사일로 에지 구현)을 사용했을 때:

FedGraph-VASP는 0.633의 F1-score를 기록하며 중앙 집중형 성능 수준(F1 $\approx$ 0.620)에 부합하는 결과를 보였습니다.
이는 금융 생태계가 더욱 상호 연결됨에 따라 본 프레임워크의 확장성을 입증합니다.

Ethereum에 대한 일반화 가능성

Ethereum 사기 탐지 데이터셋(계정 기반, 희소한 연결성)에서의 결과:

FedGraph-VASP(F1=0.635)는 FedAvg와 유사한 성능을 보였으나, FedSage+(F1=0.855)에는 크게 뒤처졌습니다.
트레이드오프: 논문은 뚜렷한 트레이드오프를 언급합니다: 토폴로지 임베딩 교환은 연결성이 높은 그래프(Bitcoin)에서 탁월한 반면, 생성적 임퓨테이션은 모듈성이 높고 희소한 그래프(Ethereum)에서 우위를 점합니다.

프라이버시 및 효율성

프라이비시: 임베딩 역전 공격(inversion attacks) 결과 $R^2$ 점수가 0.32로 나타나, 부분적인 특징 복구는 가능하나 완전한 복구는 어려움을 보여주었습니다. 그러나 멤버십 추론 공격(MIA)은 높은 누출(AUC=0.95)을 보였는데, 이는 희소한 그래프 상의 비개인화 GNN에서 알려진 한계입니다. 저자들은 본 시스템이 멤버십 프라이버시보다는 특징의 기밀성 보호를 우선시하며, 이는 독점적인 트랜잭션 인텔리전스를 보호하려는 목표와 일치한다고 주장합니다.
효율성: 포스트 퀀텀 암호화 오버헤드는 전체 학습 시간의 0.5% 미만으로 미미하며, Kyber-512를 사용하여 초당 약 10,500개의 임베딩 처리량을 보였습니다.

의의 및 주장

본 논문은 FedGraph-VASP가 기관의 프라이버시 경계를 존중하면서도 규제 준수를 실현할 수 있는 실질적인 경로을 제공한다고 주장합니다. 데이터 공유와 프라이버시 사이의 긴장을 해결함으로써, 본 프레임워크는 기존의 사일로형 시스템에서는 보이지 않았던 교차 체인 자금 세탁 패턴을 탐지할 수 있게 합니다.

저자들은 본 방식이 합성 데이터가 아닌 실제적인 구조적 가시성을 제공한다는 점을 강조하며, 이는 정확도가 복잡한 자금 세탁 수법 탐지에 직접적인 영향을 미치는 AML 분야에서 매우 중요합니다. 또한, 포스트 퀀텀 암호화를 통합함으로써 금융 데이터에 대한 장기적 보안 위협에 선제적으로 대응하여, 협력적인 AML 모델이 미래의 양자 컴퓨팅 능력 앞에서도 안전하게 유지될 수 있도록 보장합니다. 본 연구는 단일 방법론이 모든 그래프 토폴로지에서 지배적이지는 않지만, 제안된 경계 임베딩 교환 방식이 현재의 암호화폐 AML 과제에서 전형적으로 나타나는 고불균형, 저연결성 환경에서 더 우수한 전략임을 밝히고 있습니다.