불법 거래가 은밀한 네트워크로 진화함에 따라 비트코인 암흑가 감시하는 AI 모델

비트코인은 은행, 국경 또는 거래에 첨부된 이름 없이 자금을 이동하도록 설계되었습니다. 그러나 바로 그 설계 때문에 세계 최대의 암호화폐는 랜섬웨어 결제부터 어지러운 주소 체인을 통해 코인을 섞는 자금 세탁 작업에 이르기까지 금융 범죄의 자석이 되었습니다. Nanjing의 Southeast University와 Shenzhen의 Peng Cheng Laboratory 연구원인 Fan Wu, Wei Yin, Xiaoyan Hu, Xinxin Luo가 Applied Intelligence에 발표한 새로운 연구는 수사관이 모델이 밝혀낸 범죄 구조를 실제로 볼 수 있게 해주는 그래프 데이터베이스와 결합된 E-GTNet(Edge-enhanced Graph Transformer Network의 약자)이라는 하이브리드 인공지능 프레임워크로 이 문제를 정조준합니다.

연구진이 해결하려는 핵심 과제는 말로는 간단해 보이지만 해결하기는 매우 어렵습니다. 저자들이 논문에서 언급했듯이, 암호화폐는 탈중앙화되어 있고 익명성이 보장되기 때문에 금융 범죄에 가담하는 범죄자들이 선호하는 도구가 되었습니다. 이러한 환경에서 비정상적인 거래를 탐지하는 것은 단지 의심스러운 계정을 표시하는 문제만이 아닙니다. 거래는 모든 결제가 한 주소를 다른 주소와 연결하는 거대하고 끊임없이 변화하는 웹을 형성하며, 단일 노드의 의미는 해당 웹 내에서의 위치에 따라 달라집니다. 각 거래나 계정을 독립적인 기능 행으로 취급하는 전통적인 머신러닝 방식은 세탁 작업과 일반 상거래를 구별하는 바로 그 관계 정보를 버리게 됩니다.

E-GTNet의 해답은 비트코인 원장을 있는 그대로, 즉 그래프로 취급하는 것입니다. 팀은 시간적 진화 특성을 통합하여 비트코인 거래 기록을 기반으로 이종 거래 그래프를 구축했습니다. 다시 말해, 모델은 네트워크의 정적인 스냅샷이 아니라 시간이 지남에 따라 변화하는 살아있는 구조를 보며, 노드는 주소를 나타내고 에지는 주소 간의 가치 흐름을 나타냅니다. 모든 노드와 에지가 동일한 의미론적 무게를 갖는 것은 아니기 때문에 여기서는 이종성(Heterogeneity)이 중요합니다. 그래프는 다양한 유형의 엔티티와 관계를 인코딩하여 모델이 생태계에서 주소가 수행하는 다양한 역할에 대해 추론할 수 있도록 합니다.

구조적으로 이 프레임워크는 현대 딥러닝의 세 가지 상호 보완적인 흐름을 융합합니다. 첫 번째는 에지 인식 주의(edge-aware attention) 메커니즘입니다. 그래프 신경망에서 주의(attention)는 노드가 이웃의 영향을 모두 동일하게 취급하는 대신 다르게 가중치를 둘 수 있게 하며, 메커니즘을 에지 인식으로 만듦으로써 E-GTNet은 에지 수준의 특징을 직접 활용합니다. 이는 거래 자체의 특성(예: 타이밍 및 자금 흐름 내 위치)이 양 끝에 있는 주소의 속성만큼이나 유익할 수 있는 금융 네트워크에서 의미 있는 구분입니다. 두 번째 흐름은 그래프 표현 학습의 핵심인 그래프 합성곱 구조로, 각 노드의 임베딩이 로컬 컨텍스트를 반영하도록 이웃 전체의 정보를 집계합니다. 세 번째 흐름은 시간적 시퀀스 모델링으로, 거래의 시간적 역학을 캡처하여 모델이 누가 누구와 연결되어 있는지뿐만 아니라 시간이 지남에 따라 이러한 연결이 어떻게 전개되는지 학습하도록 보장합니다.