[논문 리뷰] AI-powered Fraud Detection in Decentralized Finance: A Project Life Cycle Perspective

Bingqiao Luo, Zhang Zhen외 4명|arXiv (Cornell University)|2023. 08. 30.

Blockchain Technology Applications and Security인용 수 4

한 줄 요약

이 논문은 개발, 도입, 성장, 정점, 쇠퇴 단계를 포함하는 프로젝트 생애주기 기반의 DeFi 사기 분류 체계를 제안한다. 이는 단계별로 특화된 AI 기반 사기 탐지 기능을 가능하게 한다. 트리 기반 및 그래프 기반 모델이 가장 효과적임을 밝히며, 실시간 분석, 크로스체인 데이터, 프라이버시 보존 AI를 통해 진화하는 DeFi 생태계에서의 탐지 능력을 향상시키기 위한 방안을 제안한다.

ABSTRACT

In recent years, blockchain technology has introduced decentralized finance (DeFi) as an alternative to traditional financial systems. DeFi aims to create a transparent and efficient financial ecosystem using smart contracts and emerging decentralized applications. However, the growing popularity of DeFi has made it a target for fraudulent activities, resulting in losses of billions of dollars due to various types of frauds. To address these issues, researchers have explored the potential of artificial intelligence (AI) approaches to detect such fraudulent activities. Yet, there is a lack of a systematic survey to organize and summarize those existing works and to identify the future research opportunities. In this survey, we provide a systematic taxonomy of various frauds in the DeFi ecosystem, categorized by the different stages of a DeFi project's life cycle: project development, introduction, growth, maturity, and decline. This taxonomy is based on our finding: many frauds have strong correlations in the stage of the DeFi project. According to the taxonomy, we review existing AI-powered detection methods, including statistical modeling, natural language processing and other machine learning techniques, etc. We find that fraud detection in different stages employs distinct types of methods and observe the commendable performance of tree-based and graph-related models in tackling fraud detection tasks. By analyzing the challenges and trends, we present the findings to provide proactive suggestion and guide future research in DeFi fraud detection. We believe that this survey is able to support researchers, practitioners, and regulators in establishing a secure and trustworthy DeFi ecosystem.

연구 동기 및 목표

• 전체 프로젝트 생애주기 동안 DeFi 사기를 체계적으로 분류할 수 있는 프레임워크의 부재를 해결하기 위해.
• DeFi 프로젝트 개발의 특정 단계와 사기 유형 간의 상관관계를 분석하기 위해.
• NLP, 통계 모델링, 그래프 기반 학습을 포함한 기존 AI 기반 사기 탐지 기법을 검토하고 평가하기 위해.
• 연구 격차를 규명하고 향후 방향을 제안하기 위해, 특히 실시간 탐지, 종합적 데이터 활용, 프라이버시 보존 AI에 중점을 두기 위해.
• 연구자, 전문가 및 규제 기관이 더 신뢰할 수 있는 DeFi 생태계를 구축하는 데 도움이 되도록 안내하기 위해.

제안 방법

• 제품 생애주기 이론을 기반으로 한 DeFi 사기의 새로운 분류 체계를 제안하며, 사기 유형을 개발, 도입, 성장, 정점, 쇠퇴의 다섯 단계로 분류한다.
• 각 단계에서 사용 가능한 AI 기법을 검토하며, 예를 들어 XGBoost와 같은 트리 기반 모델, 그래프 신경망, 웨이트리스트 및 소셜 미디어 분석을 위한 자연어 처리(NLP), 통계 모델링을 포함한다.
• 블록체인 거래 패턴, 스마트 계약 코드, 오프체인 데이터(예: 소셜 미디어, 텔레그램, Reddit)를 분석하여 사기 신호를 탐지한다.
• 단일 블록체인 시스템을 넘어서는 숨겨진 사기 패턴을 드러내기 위해 크로스체인 분석과 화이트 계정 행동 분석을 강조한다.
• 효율적이고 확장 가능한 AI 모델을 사용해 조기 경고 기능을 갖춘 실시간 사기 탐지 시스템을 구축할 것을 제안한다.
• KYC 준수와 사용자 익명성 간의 균형을 맞추기 위해 제로지식 증명과 같은 프라이버시 보존 기법을 도입한다.

Figure 2. Big Events of Frauds in Recent 5 Years (Data from (Frontal, 2023 ) ).

실험 결과

연구 질문

• RQ1 다양한 유형의 DeFi 사기 유형이 프로젝트 생애주기의 특정 단계와 어떻게 관련되어 있는가?
• RQ2 NLP, 그래프 기반 모델, 트리 기반 알고리즘과 같은 AI 기법 중에서 각 프로젝트 단계에서 사기를 탐지하는 데 가장 효과적인 것은 무엇인가?
• RQ3 크로스체인 데이터와 오프체인 행동 신호(예: 소셜 미디어, 화이트 계정)는 사기 탐지 능력을 어떻게 향상시키는가?
• RQ4 실시간 및 조기 경고 기반 사기 탐지 시스템을 어떻게 설계하여 DeFi에서 손실을 사전에 방지할 수 있는가?
• RQ5 탈중앙화 시스템에서 프라이버시, 규제 준수(예: KYC) 및 효과적인 사기 탐지 간의 균형을 어떻게 맞출 수 있는가?

주요 결과

• 사기 유형과 DeFi 프로젝트 생애주기 단계 사이에 강력한 상관관계가 존재하며, 개발, 도입, 성장, 정점, 쇠퇰 단계에서 각각 다른 사기 패턴이 나타난다.
• 트리 기반 모델(예: XGBoost)과 그래프 기반 모델이 불량 거래 및 스마트 계약 이상 징후 탐지에 뛰어난 성능을 보인다.
• 2011년부터 2023년까지 DeFi 사기로 약 167억 달러의 암호자산이 손실되었으며, 이는 231起 해킹, 135起 보안 공격, 95건의 사기 계획이 보고된 바 있다.
• 암호화폐 화이트의 4%가 250억 달러어치를 보유하고 있으며, 범죄 활동에 비례해 높은 비중을 차지하고 있어 특수 계정 모니터링의 필요성을 강조한다.
• 실시간 사기 탐지는 여전히 미비하며, 효율성과 조기 탐지에 초점을 맞춘 연구가 제한적으로 존재해 사전 대응을 위한 핵심 격차가 존재한다.
• 프라이버시 보존 AI와 제로지식 증명은 규제 요구사항과 사용자 프라이버시를 조화시키는 실현 가능한 길을 제시하지만, 구현 과제는 여전히 남아 있다.

Figure 3. DeFi Frauds along Project Life Cycle.