Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
본 논문은 레이블 불균형과 UTXO 모델의 한계에도 불구하고 비트코인 불법 주소를 효과적으로 탐지하기 위해, 방향 인지성 및 적응형 융합을 통해 주소 행동과 명시적 트랜잭션 관계를 공동으로 모델링하는 전이 학습 프레임워크인 BTR-DHGNN(Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network)을 제안한다.
원본 논문은 CC BY 4.0 (https://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
비트코인은 네트워크에서 발생한 모든 가치 이전의 투명한 기록인 공개 장부 위에서 작동합니다. 디지털 주소 뒤에 숨은 신원은 비공개로 유지되지만, 자금의 흐름은 완전히 공개되어 있어 금융 조사관들에게 독특한 기회를 제공합니다. 그러나 이러한 투명성은 양날의 검이기도 합니다. 범죄자들은 자금을 여러 주소로 분산시키거나, 서로 다른 출처의 돈을 결합하거나, 기원과 목적지 사이의 연결 고리를 끊기 위해 여러 단계로 자금을 이동시키는 등 복잡한 기술을 사용하여 흔적을 은폐합니다. 데이터가 방대하고, 범죄자를 식별하는 라벨은 드물며, 거래 구조가 복intricate하기 때문에 이러한 불법 활동을 탐지하는 것은 어렵습니다. 전통적인 방식은 종종 단일 주소를 고립된 상태로 보고 해당 주소가 돈을 얼마나 많이 보내거나 받았는지를 세는 데 그치지만, 이러한 접근 방식은 자금이 네트워크를 통해 실제로 어떻게 이동하는지에 대한 결정적인 맥락을 놓칩니다.
이를 해결하기 위해 연구자들은 행동-거래 관계 이중 분기 하이브리드 그래프 신경망(Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network)이라는 새로운 시스템을 개발했습니다. 이 도구는 비트코인 네트워크를 단순한 숫자 목록이 아니라, 주소의 습성과 다른 주소와의 구체적인 연결 관계가 모두 중요한 복잡한 웹으로 취급합니다. 이 시스템은 두 가지 뚜렷한 유형의 증거를 동시에 관찰함으로써 작동합니다. 첫째, 주소의 '행동'을 분석하여 해당 주소의 이력, 즉 얼마나 많은 돈을 움직이는지, 얼마나 자주 활동하는지, 수수료를 얼마나 지불하는지, 그리고 얼마나 오랫동안 활성화되어 있었는지를 살펴봅니다. 둘째, '관계'를 조사하여 네트워크를 통한 자금의 구체적인 경로를 매핑합니다. 결정적으로, 이 시스템은 비트코인 거래가 작동하는 고유한 방식을 존중하여, 돈이 들어오는 역할과 나가는 역할을 모호하게 섞지 않고 명확히 구분합니다. 이 두 가지 관점을 결합함으로써, 모델은 어느 한쪽의 관점만으로는 식별할 수 없는 패턴을 포착할 수 있습니다.
연구진은 80만 개 이상의 주소와 20만 개 이상의 거래를 포함하는 방대한 양의 고정된 과거 비트코인 거래 데이터셋을 통해 이 시스템을 테스트했습니다. 이 데이터셋에서 불법 주소는 라벨이 지정된 계정의 6% 미만을 차지하는 아주 적은 수였으며, 이는 거대한 모래더미 속에서 특정 모래알 몇 개를 찾는 것과 같은 작업이었습니다. 새로운 시스템은 표준 통계 도구와 다른 그래프 기반 모델을 포함한 모든 기존 방식보다 뛰어난 성능을 보였습니다. 이 시스템은 최소한의 오탐을 유지하면서 불법 주소를 94%의 성공률로 정확히 식별해 냈습니다. 이러한 높은 정확도는 실제 조사에서 너무 많은 오탐이 인간 분석가를 압도하거나, 심지어 단 몇 명의 범죄자를 놓치는 것만으로도 불법 자금이 탈출할 수 있기 때문에 매우 중요합니다.
이 연구의 핵심 발견은 시스템의 성공이 주소 자체의 이력을 보는 것과 이웃을 보는 것 사이의 세심한 균형에 달려 있다는 점입니다. 연구진은 다른 주소와의 연결이 탐지를 위한 가장 강력한 신호를 제공하지만, 주소 자신의 행동이 실수를 걸러내는 데 필수적이라는 것을 발견했습니다. 행동 분기가 없다면 시스템은 너무 많은 선량한 주소를 의심스러운 것으로 분류할 것입니다. 관계 분기가 없다면 범죄 활동의 특징인 미묘하고 복잡한 자금 흐름을 놓칠 것입니다. 또한 시스템은 알려진 불량 행위자들을 무시하고 방대한 수의 선량한 사용자들을 따르는 대신, 알려진 소수의 악의적인 행위자들에게 각별히 주의를 기울이도록 강제하는 특별한 학습 방법을 사용하여 범죄 라벨의 희소성을 처리하는 법을 배웠습니다.
연구는 또한 시스템이 네트워크를 바라보는 방식이 매우 중요하다는 것을 밝혀냈습니다. 단순히 주소를 거래에 연결하는 것만으로는 충분하지 않으며, 시스템은 돈의 방향을 이해해야 한다는 것을 발견했습니다. 시스템은 거래의 입력(돈이 어디서 오는가)과 출력(돈이 어디로 가는가)을 별개의 역할로 취급합니다. 이러한 구별은 모든 연결을 동일하게 취급하는 방식보다 자금의 흐름을 더 정확하게 추적할 수 있게 해줍니다. 또한, 연구진은 학습 중에 시스템이 네트워크의 약간 변형된 버전에서 연습하는 기법을 도입했습니다. 이는 모델이 우연히 나타날 수 있는 부수적이거나 약한 연결을 암기하는 것이 아니라, 네트워크의 진정한 구조를 학습하도록 돕습니다.
최종 분석에서, 이 연구는 불법 비트코인 활동을 탐지하기 위해서는 주소의 개별적인 습격과 더 넓은 자금 흐름 내에서의 위치를 모두 존중하는 이중적 접근 방식이 필요함을 입증합니다. 이 시스템은 단일한 기술이나 단순한 규칙에 의존하지 않고, 결정을 내리기 위해 여러 계층의 증거를 통합합니다. 시스템은 범죄자가 합법적인 사용자보다 훨씬 많은 극단적인 불균형 문제를 성공적으로 헤쳐 나가며, 높은 정밀도를 유지합니다. 결과는 과거 데이터를 다루는 조사관들에게 이 접근 방식이 의심스러운 주소 목록을 좁히는 강력한 방법이 되어, 이후의 수동 검토 및 증거 수집을 더욱 효율적이고 효과적으로 만들 수 있음을 시사합니다. 이 방법은 완료된 거래 이력을 분석하도록 설계되어, 비트코인 네트워크 내에서 자금이 어떻게 이동하는지 이해하고 그 속에 숨으려는 자들을 식별하는 견고한 도구를 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.