🤖 AI

Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling

이 논문은 BSC 기반 밈 토큰의 러그풀 (rug-pull) 위험을 조기에 경고하기 위해 거래, 주소, 유동성 등 다중 세분화 수준의 위시 트레이딩 패턴을 특징으로 활용한 종단간 경고 프레임워크를 제안하고, 이를 통해 높은 정밀도로 위험을 식별할 수 있음을 실증합니다.

원저자: Dingding Cao, Bianbian Jiao, Jingzong Yang, Yujing Zhong, Wei Yang

게시일 2026-03-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dingding Cao, Bianbian Jiao, Jingzong Yang, Yujing Zhong, Wei Yang

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

🏪 배경: 치악한 장난감 가게 (밈 코인 시장)

블록체인 세계에는 **'밈 코인'**이라는 것이 있습니다. 이는 마치 유행하는 장난감처럼 갑자기 만들어져서 금방 인기를 얻다가, 또 금방 사라지는 경우가 많습니다. 문제는 사기꾼들이 이 장난감 가게를 이용해 "돈을 모으고 도망가는 (Rug Pull)" 사기를 치는 경우가 많다는 점입니다.

기존의 감시 방법들은 다음과 같은 한계가 있었습니다:

너무 느리거나: 사기가 터진 뒤에야 "아, 이건 사기였구나"라고 알게 됩니다.
너무 단순해서: "문서 (스마트 계약) 에 문제가 있나?"만 보고, 실제 사람들의 행동은 보지 못합니다.
데이터가 부족해서: 사기 사례가 드물고, 누가 사기인지 명확히 알려주는 '정답지'가 없어서 학습이 어렵습니다.

🕵️‍♂️ 이 연구의 해결책: 3 단계 감시 시스템

이 연구팀은 **"사기꾼이 돈을 움직이는 패턴"**을 분석해서, 사기 사건이 터지기 수 시간 전에 경보를 울리는 시스템을 만들었습니다.

1. 사기꾼의 '세 가지 장난'을 파악하기 (패턴 분석)

사기꾼들은 돈을 실제로 움직이는 척하며 가격을 조작합니다. 연구팀은 이를 세 가지 유형으로 나누어 감시합니다.

자기 놀이 (Self): 사기꾼이 자신의 주머니에서 돈을 꺼내서 자기에게 다시 보내는 행위. (마치 가게 주인이 자기 가게에서 물건을 사고파는 척하는 것)
짝꿍 놀이 (Matched): 사기꾼과 그의 친구가 서로 주고받으며 거래량을 부풀리는 행위.
고리 놀이 (Circular): A → B → C → A 처럼 돈이 원형으로 돌아다니며 거래가 있는 척하는 행위.

2. 12 가지 '신호등' 만들기 (특징 추출)

이런 장난들을 컴퓨터가 알아볼 수 있도록 12 가지 숫자 신호로 바꿉니다.

"어떤 주소에서 돈이 얼마나 자주 오갔나?"
"거래 금액이 갑자기 튀었나?"
"특정 소수의 사람만 거래를 하고 있나?"
이 신호들을 모아 **'위험 점수'**를 매깁니다.

3. 똑똑한 경비원 (AI 모델) 가 판단

이제 이 신호들을 **랜덤 포레스트 (Random Forest)**라는 AI 경비원에게 보여줍니다.

결과: 이 경비원은 기존 방법보다 훨씬 정확하게 사기 가능성을 찾아냈습니다. (정확도 92% 이상, 위험 탐지 능력 90% 이상)
핵심 발견: "누가 거래했는지 (주소)"보다 **"거래가 어떻게 일어났는지 (거래 패턴)"**를 보는 것이 사기를 잡는 데 훨씬 중요했습니다.

⏰ 가장 중요한 성과: "미리 알 수 있는 시간"

이 시스템의 가장 큰 장점은 시간입니다.

사기꾼이 돈을 털고 도망가기 (Rug Pull) 전에, 시스템이 **"위험합니다!"**라고 경고를 보냅니다.
연구 결과, 평균적으로 약 3 시간 48 분 전에 경고를 보낼 수 있었습니다.
이는 마치 **"태풍이 오기 3 시간 전에 대피 명령을 내리는 것"**과 같습니다. 투자자들이 돈을 빼낼 시간을 벌 수 있게 해줍니다.

⚠️ 현실적인 한계와 조언

하지만 이 시스템은 완벽하지 않습니다.

오경보 (False Positive) 는 적지만, 놓치는 경우 (False Negative) 가 있습니다.
- 즉, "사기 아냐!"라고 말해준 건 거의 맞지만, 진짜 사기를 놓칠 수도 있다는 뜻입니다.
- 비유: 이 시스템은 **"모든 나쁜 사람을 잡는 경찰"**보다는 **"위험한 사람을 먼저 선별해서 조사실로 보내는 보안 요원"**에 가깝습니다.
따라서 이 시스템을 믿고 무조건 자동 투자하는 것이 아니라, **"이 코인은 위험할 수 있으니 한번 더 확인해 보자"**는 초기 스크리닝 도구로 사용하는 것이 가장 좋습니다.

📝 요약

이 논문은 **"사기꾼들이 돈을 움직이는 특이한 패턴 (자기 놀이, 짝꿍 놀이 등) 을 12 가지 신호로 분석하여, 사기 사건이 터지기 몇 시간 전에 투자자에게 미리 알려주는 AI 시스템을 개발했다"**는 내용입니다.

완벽한 자동 경보 시스템은 아니지만, 투자자가 피해를 입기 전에 '위험 신호'를 포착할 수 있는 강력한 첫 번째 방어막이 될 수 있다는 점이 큰 의의입니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 탈중앙화 금융 (DeFi) 에서 밤토큰 (Meme Tokens) 의 높은 발행 빈도와 단기 투기성으로 인해 '러그 풀 (Rug Pull, 개발자가 유동성을 인출하여 투자를 사기치는 행위)' 위험이 급증하고 있습니다. 특히 수수료와 진입 장벽이 낮은 BNB 스마트 체인 (BSC) 에서 이러한 사기는 빠르게 확산되어 소규모 투자자에게 큰 손실을 입힙니다.
기존 연구의 한계:
- 데이터 부족: 이상치 (사기 사례) 가 희소하고 라벨링이 불완전한 상황 (Weak Supervision) 에서 안정적인 조기 경보 제공이 어렵습니다.
- 정적 분석의 한계: 스마트 컨트랙트 정적 분석만으로는 동적인 자금 흐름이나 단기적인 위험 변화를 포착하기 어렵습니다.
- 해석 가능성 부족: 기존 모델은 경고 신호를 검증 가능한 행동 증거와 연결하는 데 한계가 있어 실제 운영 (Operational) 에 활용하기 어렵습니다.
연구 목표: BSC 밤토큰의 러그 풀을 사전에 경고할 수 있는 종단 간 (End-to-End) 경고 프레임워크를 제안하여, 위시 트레이딩 (Wash Trading) 패턴을 기반으로 한 행동 특징을 추출하고 위험을 예측하는 것입니다.

2. 방법론 (Methodology)

이론적 프레임워크는 데이터 구축부터 오차 분석까지 4 단계로 구성됩니다.

2.1 데이터 구축 및 라벨링

데이터원: BSC 의 BEP-20 토큰 전송 기록.
전처리: 각 토큰당 최대 5,000 건의 유효한 기록을 유지하여 시퀀스 길이 편향을 줄였습니다. 총 7 개의 토큰, 33,242 건의 기록을 사용했습니다.
라벨링: 현재 데이터 제약으로 인해 'High Risk(위험)'와 'Non-High Risk(비위험)'로 분류하는 약한 감독 (Weak Supervision) 방식을 사용했습니다. (알 수 없는 샘플은 비위험으로 간주).

2.2 다중 세분성 위시 트레이딩 특징 추출 (Multi-Granularity Feature Construction)

위시 트레이딩의 3 가지 주요 패턴 (Self, Matched, Circular) 을 기반으로 12 가지 토큰 수준의 행동 특징을 정의했습니다.

패턴 정의:
- Self: 자기 자신에게 보내는 거래 (Self-loop).
- Matched: 특정 주소 쌍 간의 빈번한 매칭된 거래.
- Circular: 다중 주소 간의 순환 자금 이동.
12 가지 특징 (3 개 차원 통합):
1. 거래 수준 (Transaction-level): 거래 횟수, 평균/중앙값/표준편차 (거래 규모), 버스트 비율 (급증 여부) 등.
2. 주소 수준 (Address-level): 고유 송신자/수신자 수, 송수신 비율, 상위 10 개 주소 점유율, 경로 반복 비율 등.
3. 흐름/시간 수준 (Flow/Temporal): 순 유입/유출 불균형, 활성 시간대 등.
- 이 특징들은 거래, 주소, 흐름 수준의 신호를 통합하여 단일 위험 벡터로 변환됩니다.

2.3 조기 경고 모델링 및 추론

모델: 로지스틱 회귀 (Logistic Regression) 를 베이스라인으로, 랜덤 포레스트 (Random Forest) 를 주 모델로 사용했습니다.
출력: 위험 확률 (0~1), 경고 플래그 (임계값 $\tau$ $τ$ 초과 시), Lead Time (경고 시간).
- Lead Time 정의: $T_{rugpull} - T_{warning}$ (사기 발생 시점 - 경고 발생 시점). 저거래량 샘플의 경우 마지막 관측 시점을 $T_{rugpull}$ 로 근사화했습니다.

2.4 오차 분석 및 제거 실험 (Ablation Study)

특징 그룹별 기여도를 분석하기 위해 거래, 주소, 컨트랙트 특징을 제거한 실험을 수행했습니다.
오차 프로파일 (False Positive, False Negative) 과 사례 타임라인을 분석하여 시스템의 한계를 진단했습니다.

3. 주요 결과 (Results)

성능 비교:
- Random Forest가 로지스틱 회귀보다 모든 핵심 지표에서 우월한 성능을 보였습니다.
- AUC: 0.9098, PR-AUC: 0.9185, F1-Score: 0.7429.
- 이는 비선형 모델이 BSC 의 복잡한 온체인 행동 패턴과 위험 라벨 간의 관계를 더 잘 포착함을 의미합니다.
특징 기여도 (Ablation Analysis):
- 거래 수준 특징 제거 시: PR-AUC 가 0.9185 에서 0.7342 로 급감 ( $\Delta = -0.1843$ ). 가장 중요한 성능 동인임을 확인.
- 주소 수준 특징 제거 시: PR-AUC 가 0.8612 로 감소 ( $\Delta = -0.0573$ ). 안정적인 보완적 기여.
- 컨트랙트 수준 특징 제거 시: 오히려 성능이 소폭 향상됨. 현재 버전에서는 정보가 부족함을 시사.
실용적 지표 (Lead Time):
- 평균 Lead Time: 3.8133 시간, 중앙값: 1.0331 시간.
- 일부 샘플에 대해 실행 가능한 경고 창 (Warning Window) 이 존재함을 입증했습니다.
오차 프로파일:
- False Positive (FP): 1 건, False Negative (FN): 8 건.
- 매우 낮은 오탐지율 (High Precision) 을 보이지만, 일부 위험을 놓치는 (Recall 약점) 경향이 있습니다.

4. 주요 기여도 (Key Contributions)

실행 가능한 경고 파이프라인: BSC 밤토큰을 위한 종단 간 경고 프레임워크를 구축하여, 위시 트레이딩 패턴 탐지부터 운영적 조기 경고 점수 산출까지의 기술 체인을 완성했습니다.
약한 감독 하의 다중 세분성 특징 검증: 12 가지 행동 특징 (거래, 주소, 흐름 차원) 을 설계하고, 이를 통해 거래 수준 특징이 위험 순위 결정의 주된 동인임을 실증적으로 입증했습니다.
배포 지향적 평가 지표 제시: 단순 분류 지표를 넘어 **Lead Time(예고 시간)**과 **오차 프로파일 (FP/FN)**을 보고하여, 해당 시스템이 '고정밀 스크리너 (High-precision screener)'로서 인간 개입형 (Human-in-the-loop) triage 에 적합함을 명확히 했습니다.

5. 의의 및 한계 (Significance & Limitations)

의의:
- 정적 분석이나 단일 지표에 의존하지 않고, 행동 기반의 다중 세분성 특징을 활용하여 러그 풀을 조기에 탐지할 수 있는 새로운 접근법을 제시했습니다.
- 높은 정밀도 (Precision) 를 바탕으로 사기 탐지 시스템이 자동 경보보다는 위험 우선순위 선정 및 인간 검토 지원 도구로 활용되어야 함을 제안했습니다.
- 재현 가능한 코드와 데이터 처리 파이프라인을 공개하여 후속 연구의 기반을 마련했습니다.
한계 및 향후 과제:
- 현재 Lead Time(v1) 은 규칙 기반 근사치로, 이벤트 수준의 정확한 타임스탬프 라벨링이 필요합니다.
- 라벨링 불완전성으로 인한 FN(위험 누락) 이 존재하며, 이를 개선하기 위해 더 풍부한 컨트랙트 메커니즘 특징 (권한 제어, 세금 로직 등) 과 외부 검증 (Time-split validation) 이 필요합니다.

결론

이 논문은 BSC 기반 밤토큰 시장의 러그 풀 위험을 관리하기 위해, 위시 트레이딩 패턴을 정량화하고 머신러닝 모델을 적용한 실용적인 조기 경보 시스템을 제안했습니다. 특히 거래 수준 특징의 중요성과 약 3.8 시간의 평균 경고 시간 확보는 실제 규제 기술 (RegTech) 및 투자자 보호 시스템에 중요한 통찰을 제공합니다.