기술 요약: DeXposure-Claw

문제 정의

탈중앙화 금융(DeFi)은 대출 프로토콜, 탈중앙화 거래소, 스테이블코인 및 브릿지 간의 빠르게 움직이는 네트워크화된 신용 노출을 생성합니다. 최근의 위기들(예: Terra/Luna, FTX, SVB/USDC)은 충격이 인간 감독관이 원시 온체인 데이터를 수동으로 검사하는 속도보다 더 빠르게 네트워크를 통해 전파될 수 있음을 보여줍니다.

본 논문은 일반 목적의 대규모 언어 모델(LLM) 에이전트를 원시 온체인 측정값에 직접 적용하는 것이 고위험 감독 상황에서 안전하지 않다고 주장합니다. 이러한 에이전트들은 약하거나 불완전하거나 오래된 증거를 "과잉 해석(over-read)"하여, 불필요한 고심도 개입을 유발하는 그럴듯한 근거를 생성하는 경향이 있습니다. 또한, 기존의 시스템 리스크 평가는 프로토콜을 소액의 분수적 노출 변화로 순위를 매기는 경우가 많은데, 이는 작고 관련성이 낮은 프로토콜을 과도하게 강조하며 규제 기관의 우선순위인 절대적 손실과 일치하지 못합니다. 규제 기관의 관점과 정렬된 그라운드 트루스(ground truth)에 맞서 허위 개입율을 측정하는 평가 프레임워크가 부족한 실정입니다.

방법론: DeXposure-Claw 파이프라인

저자들은 LLM의 의사결정을 원시 데이터가 아닌 구조화되고 결정론적인 증거를 통해 라우팅하도록 설계된 예측 기반 에이전트 시스템인 DeXposure-Claw를 소개합니다. 이 시스템은 주 단위 주기로 작동하며 네 가지 별도의 레이어로 분해됩니다:

1. 레이어 1: 예측 (DeXposure-FM)

   • 그래프 시계열 파운데이션 모델이 현재의 주간 스냅샷($G_t$)으로부터 미래의 노출 네트워크($G_{t+h}$)를 예측합니다.
   • 이 모델은 엣지 존재 확률($\pi$)과 기대 엣지 가중치($\mu$)를 포함하는 예측 분포를 출력하며, 이는 기대 가중치 예측 그래프($\hat{G}_{t+h}$)로 구성됩니다.
   • 예측 불확실성을 정량화하기 위해 몬테카를로 샘플링을 생성합니다.

2. 레이어 2: 모니터링 및 시나리오 분석

   • 결정론적 모니터: 다섯 가지 기능적 지표(Top-1 PageRank, HHI 집중도, 네트워크 밀도, PageRank Gini, Degree Gini)가 예측된 그래프 상에서 계산됩니다. 이 통계치가 이동 평균 베이스라인에서 설정된 표준 편차 이상으로 벗어나면 알람이 발생합니다.
   • 스트레스 시나리오: 다섯 가지 표준화된 충격(단일 프로토콜 실패, 브릿지 클러스터 실패, 스테이블코인 디페깅, 섹터 대출 충격, 상관관계가 있는 상위 10개 요소 스트레스)이 예측된 그래프와 몬테카를로 샘플에 적용됩니다. 시스템은 각 시나리오에 대한 조건부 가치 위험(CVaR)을 계산합니다.
   • 데이터 건전성: 데이터 신선도, 결측치, 토폴로지 및 불일치 점검을 기반으로 스칼라 점수($DH_t$)가 계산됩니다.
   • 출력: 알람, 속성(top-K 엣지), 불확실성 추정치, 시나리오 손실 및 데이터 건전성 점수를 포함하는 타입화된 증거 번들을 생성합니다.

3. 레이어 3: 티켓 초안 작성 (LLM)

   • LLM은 원시 트랜잭션이 아닌 레이어 2의 구조화된 증거 번들만을 전달받습니다.
   • LLM은 심각도 수준(모니터, 조사, 권고-축소, 컨틴전시), 대상 프로토콜 세트, 특정 증거 필드를 인용하는 근거를 할당하여 순위가 매겨진 감독 티켓 목록을 작성합니다.
   • LLM은 초안 작성으로 제한되며, 실행 권한을 갖지 않습니다.

4. 레이어 4: 안전 게이트 (Safety Gates)

   • 데이터 건전성 게이트: 만약 $DH_t < 0.7$이면, 시스템은 "안전 모드"로 진입하여 개입 수준의 티켓(권고-축소, 컨틴전시)을 억제하고 모니터 또는 조사 티켓만 출시합니다.
   • 신뢰도 게이트: 평균 알람 신뢰도가 0.6 미만이면 개입 수준의 티켓이 차단됩니다.
   • 출시되는 모든 티켓에는 감사 가능성을 위해 전체 증거 번들과 게이트 상태가 동반됩니다.

평가 프로토콜: DeXposure-Bench

저자들은 여섯 가지 축을 가진 평가 하네스인 DeXposure-Bench를 개발했습니다:

• b1_forecast: 시계열 그래프 예측 품질.
• b2_warning: 스트리밍 조기 경보 리드 타임.
• b3_calibration: 예측 불확실성 보정.
• b4_stress: 스트레스 시나리오 충실도.
• b5_decision: 감독 티켓 품질 (정밀도, 재현율, F1, 허위 개입율).
• b6_robustness: 저하된 데이터에 대한 강건성.

결정적으로, **결정 축(b5)**은 규제 기관과 정렬된 절대 손실 그라운드 트루스를 사용합니다. 분수적 변화 대신, 그라운드 트루스는 4주 기간 동안의 절대적 노출 손실 상위 5% 프로토콜을 식별합니다. 이를 통해 허위 개입율(False Intervention Rate, FIR)을 직접 측정할 수 있습니다.

주요 결과

실험은 2020년부터 2025년까지의 5개년 주간 DeFi 노출 데이터를 대상으로 수행되었으며, 2025년의 고정된 테스트 분할을 사용했습니다.

• 예측 (RQ1): 단순한 "지속성(persistence)" 베이스라인(그래프가 동일하게 유지된다고 가정)이 일부 지표에서 더 낮은 점 추정 MAE를 달성했지만, 구조적으로 추세 신호와 보정된 불확실성이 부족했습니다. DeXposure-FM은 에이전트가 소비할 수 있는 필수적인 추세 신호와 컨포멀 보정(0.90 목표 대비 0.913의 PI 커버리지)을 제공했습니다.
• 그라운딩 vs 원시 데이터 (RQ2): LLM을 원시 스냅샷(m2)이 아닌 예측된 증거(m6)를 통해 라우팅했을 때 티켓 F1 점수가 0.0184에서 0.0241로 증가했습니다(+31%). 이러한 개선은 커버리지에 의해 주도되었습니다. 즉, 예측 기반 시스템이 유사한 정밀도에서 더 넓은 범위의 스트레스 프로토콜을 식별해 냈습니다.
• 과잉 개입: F1 이득에도 불구하고, LLM은 예측치를 과잉 해석했습니다. 전체 스택(m6)의 허위 개입율(FIR)은 0.448이었으며, 이는 개입 수준 티켓의 약 45%가 잘못되었다는 것을 의미합니다. 더 강력한 모델(Opus 4.7)을 사용하는 것도 이 비율을 유의미하게 줄이지 못했으며, 오히려 FIR 0.437로 약간 더 높았습니다.
• 안전 게이트 (RQ3): 안전 게이트(레이어 4)가 리스크를 제어하는 주요 메커니즘이었습니다. 신뢰도 게이트를 제거하면 깨끗한 데이터에서도 FIR이 0.429로 급증했습니다. 저하된 데이터 환경에서는 데이터 건전성 게이트가 허위 알람을 억제하여, 안전 모드에서 FIR을 0.000으로 낮추었습니다.
• 모델 효율성: 결정 모델을 더 저렴한 변형(Claude Sonnet 4.6)으로 교체했을 때, 유사한 FIR을 유지하면서 F1 점수가 향상되었습니다(0.0234에서 0.0288로). 이는 모델 선택이 안전을 위한 것이 아니라 효율성을 위한 선택임을 시사합니다.

의의 및 주장

본 논문은 LLM 에이전트가 고위한 설정에서 원시 온체인 데이터에 직접 추론해서는 안 된다는 점을 DeXposure-Claw를 통해 입증한다고 주장합니다. 구조화된 증거와 에스컬레이션 통제가 없다면 에이전트는 과잉 개입하게 됩니다.

• 감사 가능한 리콜: 이 시스템은 보수적인 규칙 기반 시스템의 대체물이 아니라, 인간 참여형(human-in-the-loop) 감독을 위한 "감사 가능한 리콜 및 설명 옵션"으로 포지셔닝됩니다.
• 모델이 아닌 게이트를 통한 안전: 연구는 안전한 고심도 조치는 결정 모델 자체가 아니라 데이터 건전성 및 신뢰도 게이트와 인간의 검토로부터 온다는 결론을 내립니다. LLM의 역할은 근거를 작성하고 커버리지를 확장하는 것이지만, 증거를 과잉 해석하는 경향은 반드시 게이트로 제어되어야 하는 지속적인 실패 모드입니다.
• 평가 표준: 본 논문은 절대 손실 그 된다는 그라운드 트루스를 사용하고 허위 개입율을 명시적으로 측정함으로써, 탐지 정확도보다 규제 관련 손실 우선순위를 우선시하는 기존 벤치마크의 공백을 메우는 새로운 에이전트 평가 표준을 제시합니다.

저자들은 단일 도메인 집중(DeFi 프로토콜 간 신용), 주 단위 해상도(시간 단위 충격을 놓칠 수 있음), 그리고 알려진 역사적 사건에 대한 사전 학습 데이터가 설명 품질에 미칠 수 있는 영향 등 한계점을 언급했습니다. 그들은 이 시스템이 자율적인 리스크 에이전트가 아닌 의사결정 지원 도구임을 강조합니다.