LROO Rug Pull Detector: A Leakage-Resistant Framework Based on On-Chain and OSINT Signals

이 논문은 온체인 행동 지표와 시간적으로 정렬된 오픈소스 지능 (OSINT) 신호를 통합하여 데이터 누출을 방지하고 리퀴디티 인출 전에 사기를 조기에 탐지하는 새로운 프레임워크를 제안합니다.

핵심

🕵️‍♂️ 1. 문제: "왜 우리는 사기를 미리 못 알아챘을까?"

암호화폐 (특히 '밈 코인'이나 새로운 프로젝트) 에는 사기꾼들이 많습니다. 이들은 마치 가짜 보물찾기를 하듯, 처음엔 엄청난 홍보를 해서 사람들의 관심을 끌고 가격을 띄운 뒤, 갑자기 모든 자금을 털어가고 사라집니다. 이를 **'러그 풀 (Rug Pull, 담요를 걷어치우기)'**이라고 부릅니다.

기존의 탐지 방법들은 **사기가 일어난 '후'**에야 문제를 발견했습니다.

• 비유: 도둑이 집을 털고 도망간 뒤에, "아, 문이 깨졌네요!"라고 말하는 것과 같습니다. 이미 돈은 사라진 뒤라 소용이 없습니다.
• 왜 그랬을까요? 기존 연구들은 사기꾼이 돈을 뺄 때의 기록 (온체인 데이터) 만을 분석했습니다. 하지만 사기꾼들은 돈을 빼기 전에 소셜 미디어나 검색 트렌드에서 이미 이상한 행동을 보였습니다. 기존 시스템은 이 '사기 전의 신호'를 무시했거나, 데이터를 잘못 섞어서 (데이터 누수) 마치 미리 알았던 것처럼 착각하게 만들었습니다.

🛠️ 2. 해결책: "LROO"라는 새로운 형사 팀

이 논문은 LROO라는 새로운 감시 시스템을 제안합니다. 이 시스템은 두 가지 핵심 요소를 합쳐서 사기를 미리 알아챕니다.

① 두 가지 눈 (데이터) 을 동시에 쓴다

• 블록체인 눈 (On-Chain): 거래소 안의 돈 흐름, 누가 얼마를 가지고 있는지 같은 내부 기록을 봅니다.
• 소셜 미디어 눈 (OSINT): 트위터 (X), 구글 검색량, 커뮤니티 반응 같은 외부 소음을 듣습니다.
• 비유: 사기꾼을 잡으려면 **집 안의 CCTV (블록체인)**만 보는 게 아니라, **집 밖에서 떠드는 소문과 이상한 행색 (소셜 미디어)**도 함께 봐야 합니다. 사기꾼은 돈을 빼기 전에 "이거 대박이다!"라고 떠들며 사람들을 모으기 때문입니다.

② 시간 여행을 하지 않는다 (데이터 누수 방지)

가장 중요한 점은 시간 순서를 엄격하게 지키는 것입니다.

• 비유: 시험 문제를 풀 때, **정답지 (사기 발생 후의 데이터)**를 미리 훔쳐보는 것은 부정이죠. 이 시스템은 오직 시험을 치르기 전까지의 정보만 가지고 추측합니다. 그래서 실제 현실에서도 믿을 수 있는 결과를 줍니다.

🧠 3. 두뇌: "TabPFN"이라는 초능력을 가진 AI

이 시스템은 기존의 복잡한 인공지능 대신 **'TabPFN'**이라는 특별한 AI 모델을 사용합니다.

• 기존 AI (XGBoost 등): 수많은 예제 문제를 풀면서 하나하나 규칙을 외우는 '열공파' 학생 같습니다. 데이터가 적으면 헷갈리기 쉽습니다.
• TabPFN: 이미 수만 가지의 가짜 문제 (합성 데이터) 를 통해 **원리 자체를 배운 '천재'**입니다. 새로운 문제를 보면, 규칙을 외우지 않아도 직관적으로 정답을 맞춥니다.
• 장점: 데이터가 적어도 (암호화폐 사기 사례는 많지 않음) 정확도가 높고, "이건 사기일 확률이 90% 입니다"라고 말할 때 그 확률도 매우 정확합니다. (과신하지 않음)

📊 4. 결과: 얼마나 잘할까요?

연구진은 직접 1,000 개의 암호화폐 프로젝트를 조사해서 데이터를 만들었습니다. 그 결과:

• 정확도: 기존 시스템들보다 훨씬 높았습니다. (약 98% 정확도)
• 오보 방지: "사기다!"라고 소리치지만 실제로는 정상인 경우 (거짓 경보) 가 적었습니다.
• 비유: 기존 시스템이 "아마도 도둑일지도 몰라"라고 10 번 중 6 번만 맞췄다면, 이 시스템은 10 번 중 9 번 이상 정확하게 "저기 도둑이 있다!"라고 지적합니다.

💡 5. 왜 이 연구가 중요할까요?

이 시스템은 단순히 점수를 높이는 것을 넘어, 실제 돈을 지키는 데 도움을 줍니다.

1. 투자자: "이 코인은 사기일 확률이 높으니 사지 마세요"라는 정확한 경고를 미리 받을 수 있습니다.
2. 거래소: 사기성 코인이 상장되는 것을 미리 막을 수 있습니다.
3. 수사관: 누가, 언제, 어떻게 사기를 쳤는지 증거를 체계적으로 찾아낼 수 있습니다.

🎯 한 줄 요약

"이 논문은 사기꾼이 돈을 빼기 전, 그들의 '입소문'과 '행동'을 동시에 분석해서 미리 잡아내는, 시간 여행을 하지 않는 똑똑한 AI 감시 시스템을 개발했습니다."

이처럼 LROO 는 암호화폐 세계의 어두운 구석을 비추는 등불이 되어, 투자자들이 더 안전하게 디지털 자산을 지킬 수 있도록 돕습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 스마트 계약 기반 생태계는 중개자 없이 탈중앙화 애플리케이션을 가능하게 하지만, 불변성과 허가 없는 설계 특성상 대규모 사기 (특히 '러그 풀', Rug Pull) 를 용이하게 합니다. 러그 풀은 프로젝트 운영자가 인위적으로 토큰 가치를 부풀린 후 유동성을 급격히 인출하여 투자자를 고립시키는 사기 수법입니다.
• 기존 연구의 한계:
  1. 시간적 데이터 누수 (Temporal Data Leakage): 기존 탐지 방법론은 훈련 데이터에 사기 발생 후의 정보 (사후 데이터) 를 포함하는 경우가 많아, 실제 배포 시 성능이 급격히 저하되는 '비인과적 (non-causal)' 모델을 생성합니다.
  2. 단일 모달리티 의존: 주로 온체인 (On-chain) 데이터에 의존하여, 사기 징후가 온체인에 나타나기 전에 발생하는 오프체인 (Off-chain) 신호 (소셜 미디어, 검색 트렌드 등) 를 활용하지 못합니다.
  3. 정의의 부재: 러그 풀에 대한 과학적이고 운영 가능한 명확한 정의가 부족하여 데이터 라벨링의 일관성이 떨어집니다.

2. 제안된 방법론 (Methodology)

이 논문은 누수 방지 (Leakage-Resistant) 프레임워크를 제안하며, 온체인 행동 지표와 시간적으로 정렬된 오픈 소스 지능 (OSINT) 신호를 통합합니다.

• 데이터셋 구축 (LROO Dataset):

  • 규모: DeFi 및 비 DeFi 환경을 아우르는 1,000 개 토큰 프로젝트에 대한 수동 라벨링 데이터셋.
  • 시간적 엄격성: 모든 특징 (Feature) 추출을 유동성 인출 (사기 발생) 이전 시점까지만 제한하여 인과적 유효성을 보장합니다.
  • 다중 모달리티:
    • 온체인 신호: 거래량, 유동성 변동, 보유자 분산 (Top 1%), 토큰 집중도 등.
    • OSINT 신호: 트위터 (X) 트윗 빈도, 구글 검색 트렌드 등 외부 관심도 지표.
  • 러그 풀 정의: 유동성 0, 거래 활동 붕괴, 가격/거래량 불명확 상태가 72 시간 이상 지속되는 'Dead Token'으로 엄격하게 정의.

• 모델링 전략:

  • TabPFN (Transformer for Tabular Data): 제한된 데이터와 엄격한 시간 제약 하에서 다중 모달 표형 데이터를 학습하기 위해 사전 훈련된 메타러닝 기반 TabPFN 을 핵심 모델로 채택했습니다.
  • Real-TabPFN: 실제 데이터셋에 미세 조정 (Fine-tuning) 된 변형 모델을 사용하여 합성 데이터 기반의 사전 지식과 실제 러그 풀 역학을 결합했습니다.
  • 비교 대상: XGBoost, LightGBM, SVM, 로지스틱 회귀 등 기존 클래식 모델과 비교 평가.

3. 주요 기여 (Key Contributions)

1. 최초의 공개 다중 모달 데이터셋: 온체인 데이터와 OSINT 신호를 엄격한 시간적 제약 하에 통합한 최초의 공개 러그 풀 탐지 데이터셋을 제공합니다.
2. 누수 방지 평가 프로토콜: 블록체인 생태계의 시계열 이상 탐지를 위한 재현 가능하고 누수를 고려한 평가 표준을 제시합니다.
3. TabPFN 기반 프레임워크: 희소하고 다중 모달인 금융 시계열 데이터에서 기존 모델보다 우수한 성능과 확률 보정 (Calibration) 능력을 입증했습니다.

4. 실험 결과 (Results)

• 성능 지표: 제안된 프레임워크는 모든 평가 지표에서 최상의 성능을 보였습니다.
  • 정확도 (Accuracy): 0.982
  • F1-Score: 0.982
  • ROC AUC: 0.997
  • PR AUC: 0.997
  • (기존 최강 모델인 XGBoost 및 LightGBM 대비 소폭이지만 일관된 우위)
• 오류 분석:
  • 오탐 (False Positive) 및 미탐 (False Negative): TabPFN 은 1 건의 오탐과 1 건의 미탐만 기록하여, XGBoost(미탐 2 건) 보다 더 낮은 오류율을 보였습니다. 이는 실제 사기 위험을 놓치지 않는 데 중요합니다.
• 확률 보정 (Calibration): MSE, MAE, Brier Score, LogLoss 등 확률적 오류 지표에서 TabPFN 이 가장 낮은 값을 기록하여, 모델의 예측 신뢰도가 높고 불확실성 추정이 정확함을 입증했습니다.
• 기존 도구 비교: 기존 상용/오픈소스 도구 (LROO, FORTA, CRPWarner 등) 대비 약 98% 의 정확도로 압도적인 성능 차이를 보였습니다. 기존 도구들이 스마트 계약 코드나 규칙 기반에 의존한 반면, 본 프레임워크는 온체인 동역학과 오프체인 신호를 통합하여 더 포괄적인 관점을 제공했습니다.

5. 의의 및 시사점 (Significance)

• 실용적 가치:
  • 투자자: 사기 발생 전 조기 경보 및 손실 방지 지원.
  • 거래소/런치패드: 상장 전 심사 (Due Diligence) 강화 및 사기 프로젝트 차단.
  • 법집행/감사: 체계적인 증거 기반의 사기 수사 및 자원 배분 최적화.
• 방법론적 혁신: 사기 탐지를 단순한 분류 문제가 아닌 인과적 다중 모달 예측 문제로 재정의함으로써, 실제 배포 환경에서의 신뢰할 수 있는 머신러닝의 중요성을 강조했습니다.
• 확장성: 이 프레임워크는 블록체인 보안뿐만 아니라, 데이터가 부족하고 비동기적인 다른 분야의 희귀 사건 예측에도 적용 가능한 패러다임을 제시합니다.

결론적으로, 이 연구는 데이터 누수 문제를 해결하고 온체인/오프체인 데이터를 통합한 엄격한 평가 프로토콜을 통해, TabPFN 을 활용한 고신뢰성 러그 풀 탐지 시스템의 실현 가능성을 입증했습니다.