🤖 machine learning

Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks

이 논문은 암호화폐 시장의 조작 행위가 자산 간의 연관성을 통해 발생한다는 점에 착안하여, 시공간 그래프 신경망(Spatio-Temporal GNN)을 통해 자산 간의 관계와 시간적 흐름을 동시에 분석함으로써 펌프 앤 덤프(pump-and-dump)와 같은 부정 행위를 효과적으로 탐지하는 방법론을 제안합니다.

원저자: Lidia Losavio, Luca Persia, Madan Sathe, Dimosthenis Pasadakis

게시일 2026-04-28

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lidia Losavio, Luca Persia, Madan Sathe, Dimosthenis Pasadakis

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

1. 문제 상황: "범인은 혼자 움직이지 않는다"

먼저 **'펌프 앤 덤프'**가 무엇인지 알아야 합니다. 이건 마치 나쁜 악당들이 특정 주식이나 코인의 가격을 인위적으로 확 올린 다음(Pump), 가격이 최고점에 도달했을 때 자신들이 가진 물량을 한꺼번에 팔아치워(Dump) 개미 투자자들에게 손해를 입히는 수법입니다.

기존의 사기 탐지 시스템은 마치 **'개별 학생의 성적표'**만 보고 그 학생이 사고를 칠지 판단하는 것과 같았습니다. "이 학생의 점수가 갑자기 변했네? 수상한데?"라고 생각하는 식이죠. 하지만 진짜 사기꾼들은 혼자 움직이지 않습니다. 여러 명의 공범이 서로 신호를 주고받으며 '조직적으로' 움직이죠.

2. 이 논문의 핵심 아이디어: "범죄 조직의 '관계망'을 그려라"

이 논문의 저자들은 기존 방식의 한계를 깨달았습니다. "개별 코인의 움직임만 보지 말고, 코인들 사이의 '관계'를 보자!"라고 제안한 것입니다.

이것을 **'사회관계망(SNS) 분석'**에 비유할 수 있습니다.

기존 방식: 한 사람의 행동만 관찰함.
이 논문의 방식: "A라는 사람이 갑자기 활동을 늘리면, 평소 친했던 B와 C도 동시에 활동을 늘리는가?"를 관찰함. 만약 여러 코인이 마치 약속이라도 한 듯이 동시에 요동친다면, 이건 단순한 우연이 아니라 **'조직적인 사기 그룹'**일 확률이 매우 높다는 것이죠.

3. 어떻게 관계를 찾아내나요? (세 가지 탐정 기법)

논문에서는 코인들 사이의 '연결 고리'를 찾기 위해 세 가지 방법을 제안합니다.

고정된 관계망 (Static Graph): "평소에 친한 친구들 리스트"를 미리 만들어두는 것입니다. 과거 데이터를 보고 항상 같이 움직였던 코인들을 묶어둡니다.
사건 중심의 변화하는 관계망 (Dynamic Graph): "사건이 터질 때마다 바뀌는 친구 관계"를 보는 것입니다. 평소엔 안 친했는데, 이상한 움직임이 포착될 때 갑자기 같이 움직이는 코인들을 실시간으로 찾아냅니다.
*스스로 학습하는 관계망 (Self-adaptive Graph) - 가장 똑똑한 방법!:* 이건 마치 **'AI 탐정'**과 같습니다. 사람이 "얘네 둘은 친해"라고 알려주지 않아도, AI가 데이터를 계속 분석하면서 "어? 얘네 둘은 뭔가 수상하게 같이 움직이네? 둘을 연결해 봐야겠다!"라고 스스로 관계를 만들어냅니다.

4. 결과: "AI 탐정이 훨씬 잘 잡는다!"

연구팀은 지난 3년 이상의 실제 암호화폐 데이터를 가지고 테스트를 해봤습니다. 결과는 놀라웠습니다.

기존의 일반적인 머신러닝 방식(나무 모양의 결정 구조를 사용하는 방식)보다, 이 논문에서 제안한 '그래프 신경망(GNN)' 방식이 사기꾼을 훨씬 더 정확하게, 그리고 놓치지 않고 잡아냈습니다. 특히 '스스로 학습하는 관계망' 방식이 가장 뛰어난 성적을 거두었습니다.

요약하자면!

이 논문은 **"코인 하나하나의 움직임만 보지 말고, 코인들 사이의 '수상한 커넥션(연결 고리)'을 파악하는 AI 모델을 만들면, 조직적인 암호화폐 사기를 훨씬 더 잘 잡아낼 수 있다"**는 것을 증명한 연구입니다.

마치 흩어진 점들을 연결해 **'범죄 조직의 지도'**를 그려냄으로써, 숨어있는 사기꾼들을 찾아내는 똑똑한 돋보기를 만든 셈입니다.

[기술 요약] 시공간 그래프 신경망(ST-GNN)을 이용한 암호화폐 시장의 사기 탐지

1. 문제 정의 (Problem Statement)

시장 조작의 증가: 암호화폐 시장의 접근성이 높아짐에 따라 '펌프 앤 덤프(Pump-and-Dump)'와 같은 시장 조작 행위가 급증하고 있습니다. 이러한 행위는 투자자에게 손실을 입히고 블록체인 시스템의 신뢰도를 저하시킵니다.
기존 방식의 한계: 기존의 머신러닝 모델은 각 토큰(자산)을 독립적인 개체로 취급합니다. 그러나 실제 시장 조작은 여러 자산 간의 조직적인 협력, 반복성, 빈번한 자산 간 이동을 특징으로 하므로, 자산 간의 '관계적 구조(Relational Structure)'를 파악하는 것이 매우 중요합니다.
데이터의 제약: 트랜잭션 단위(송신자-수신자)의 그래프 데이터는 구하기 어렵고, 대부분의 실제 데이터는 시간별 시계열 데이터(OHLCV: 시가, 고가, 저가, 종가, 거래량) 형태의 **집계된 시장 데이터(Aggregated Market Data)**로만 제공됩니다. 즉, 자산 간의 연결 관계(Edge)가 명시적으로 드러나지 않는 '잠재적 그래프' 구조를 가집니다.

2. 연구 방법론 (Methodology)

본 논문은 명시적인 연결 정보가 없는 집계 데이터로부터 그래프 구조를 추론하고, 이를 시공간 그래프 신경망(ST-GNN)으로 처리하는 프레임워크를 제안합니다.

A. 그래프 추론 전략 (Graph Inference Strategies)
데이터로부터 자산 간의 관계를 구축하기 위해 세 가지 방식을 제안합니다:

정적 상관관계 그래프 (Static Correlation Graph, G1): 훈련 기간 동안 특정 지표(거래량 또는 거래 횟수)의 피어슨 상관계수를 계산하여 고정된 인접 행렬(Adjacency Matrix)을 생성합니다.
이벤트 기반 동적 상관관계 그래프 (Event-driven Dynamic Correlation Graph, G2): 사기(Fraud) 이벤트가 발생한 시점의 윈도우를 기준으로 상관관계를 계산하여, 조작 시기에 변화하는 자산 간의 동적 연결성을 반영합니다.
자기 적응형 그래프 (Self-adaptive Graph, G3): 통계적 수치에 의존하지 않고, 모델 학습 과정에서 노드 임베딩( $E_1, E_2$ )을 통해 데이터로부터 직접 잠재적인 의존 관계를 학습합니다.

B. 통합 ST-GNN 아키텍처
추론된 그래프를 바탕으로 두 단계의 프로세스를 거칩니다:

공간적 집계 (Spatial Aggregation): Transformer 기반의 Graph Attention 레이어를 사용하여 각 시점( $t$ )에서 인접한 토큰들로부터 정보를 수집하고 노드 임베딩을 업데이트합니다.
시간적 인코딩 (Temporal Encoding): 생성된 공간 임베딩들을 시퀀스로 쌓은 후, Transformer Encoder를 통해 과거 윈도우( $W$ ) 동안의 시간적 변화 패턴을 학습하여 최종 사기 확률을 예측합니다.

3. 주요 기여 (Key Contributions)

집계 데이터 기반 그래프 구축: 트랜잭션 데이터 없이 시계열 데이터만으로도 효과적인 그래프 구조를 생성할 수 있는 방법론을 제시했습니다.
통합 ST-GNN 프레임워크: 공간적 관계(Graph Attention)와 시간적 맥락(Transformer)을 결합하여 암호화폐 시장의 복잡한 조작 패턴을 포착할 수 있는 구조를 설계했습니다.
현실적인 평가 설정: 기존 연구들이 사기 이벤트 주변의 짧은 구간만 학습하여 성능이 과장되는 '선택 편향(Selection Bias)'을 가졌던 것과 달리, 본 연구는 전체 시장 흐름을 포함하는 글로벌 윈도우(Global Window) 방식을 채택하여 매우 불균형한(Anomalous events $\sim 0.016\%$ ) 실제 감시 환경과 유사한 조건에서 평가를 수행했습니다.

4. 실험 결과 (Results)

성능 우위: 제안된 그래프 기반 모델들은 기존의 강력한 트리 기반 앙상블 모델인 Random Forest(RF) 및 XGBoost보다 높은 F1-score를 기록했습니다.
최적의 모델: 세 가지 전략 중 **자기 적응형 그래프(Self-adaptive, G3)**가 가장 뛰어난 성능(F1-score $\approx 0.62$ )을 보였습니다. 이는 모델이 데이터로부터 직접 최적의 연결 구조를 찾아내는 것이 통계적 상관관계 기반 방식보다 효과적임을 입증합니다.
정밀도-재현율(PR) 곡선: 극심한 클래스 불균형 상황에서도 그래프 기반 모델들이 트리 기반 모델보다 높은 Precision-Recall 경계선을 유지하며, 더 적은 오탐(False Positive)으로 사기 사건을 찾아냄을 확인했습니다.

5. 의의 (Significance)

본 연구는 암호화폐 시장 감시 시스템 구축 시, 개별 자산의 수치 변화뿐만 아니라 자산 간의 연결성(Connectivity)을 학습하는 것이 조작 탐지에 결정적이라는 것을 증명했습니다. 특히, 데이터 획득이 제한적인 실제 금융 환경에서 집계 데이터만으로도 고도화된 그래프 기반 탐지가 가능하다는 실용적인 가이드라인을 제공합니다.