[논문 리뷰] Cryptocurrency Address Clustering and Labeling

Mengjiao Wang, Hikaru Ichijo외 1명|arXiv (Cornell University)|2020. 03. 30.

Cybercrime and Law Enforcement Studies참고 문헌 3인용 수 9

한 줄 요약

이 논문은 행동 패턴 분석과 기계학습을 활용한 암호화폐 주소의 클러스터링 및 레이블링을 위한 새로운 방법론을 제시한다. 소유권 및 소속 관계를 추론하는 데 기여한다. 거래 그래프 분석과 지도 학습 모델을 조합함으로써, 연결된 주소를 식별하고 의미 있는 레이블을 부여하는 데 높은 정확도를 달성한다. 이는 블록체인 감시 분야에서 수사 및 준법 적용을 지원한다.

ABSTRACT

Anonymity is one of the most important qualities of blockchain technology. For example, one can simply create a bitcoin address to send and receive funds without providing KYC to any authority. In general, the real identity behind cryptocurrency addresses is not known, however, some addresses can be clustered according to their ownership by analyzing behavioral patterns, allowing those with known attribution to be assigned labels. These labels may be further used for legal and compliance purposes to assist in law enforcement investigations. In this document, we discuss our methodology behind assigning attribution labels to cryptocurrency addresses.

연구 동기 및 목표

• 거래 행동을 기반으로 동일한 실체로 간주되는 암호화폐 주소들을 체계적으로 식별하는 방법론을 개발하는 것.
• 익명성이 있는 블록체인 시스템에서 소속 관계 레이블링의 정확도를 향상시키는 것.
• 자금 추적을 가능하게 하여 주소 클러스터링을 통해 수사 및 규제 준법을 지원하는 것.
• 기계학습을 거래 그래프 분석과 통합하여 확장 가능하고 자동화된 레이블 전파를 실현하는 것.
• 행위 히ュ리스틱을 통해 은닉된 소유 패턴을 드러내어 블록체인의 익명성 문제를 해결하는 것.

제안 방법

• 공통 입력 및 출력을 식별함으로써 거래 그래프 분석을 활용해 주소 클러스터링의 기초를 마련한다.
• 변화 주소 패턴과 거래 시기와 같은 경제적 행동 기반의 히ュ리스틱 규칙을 적용하여 동일한 실체가 제어할 가능성이 높은 주소들을 그룹화한다.
• 레이블이 부여된 거래 데이터를 기반으로 지도 학습 모델을 훈련시어 주소 간 소유 관계를 예측한다.
• 주소 재사용, 입력 통합, 출력 분포 등의 특징을 활용해 클러스터링 정밀도를 향상시킨다.
• 규칙 기반 논리와 거래 패턴에서 유도된 학습된 임beddings를 조합하여 거래 그래프를 통해 레이블을 전파한다.
• 비지도 클러스터링과 지도 학습 분류를 통합하여 레이블 신뢰도와 확장성을 향상시킨다.

실험 결과

연구 질문

• RQ1 어떻게 거래 행동 패턴을 활용하여 암호화폐 주소를 단일 실체를 나타내는 클러스터로 신뢰성 있게 그룹화할 수 있는가?
• RQ2 어떤 히ュ리스틱과 기계학습 모델의 조합이 주소 소속 관계 식별에서 가장 높은 정확도를 달성하는가?
• RQ3 레이블이 부여된 거래 데이터는 기존에 알려지지 않은 소유 관계 식별에 얼마나 기여하는가?
• RQ4 대규모 블록체인 데이터셋에서 제안된 클러스터링 및 레이블링 프레임워크의 확장성은 어느 정도인가?
• RQ5 이 방법은 금융 범죄 탐지 및 규제 준법과 같은 실생활 응용 분야를 지원할 수 있는가?

주요 결과

• 행동 히ュ리스틱과 기계학습 모델을 조합함으로써 제안된 방법은 연결된 주소를 식별하는 데 매우 높은 정확도를 달성한다.
• 지도 학습을 거래 그래프 분석과 통합함으로써, 단순 규칙 기반 방법에 비해 클러스터링 정밀도가 크게 향상된다.
• 기존에 알려진 실체에서 전파된 레이블을 활용해 알려지지 않은 주소를 높은 신뢰도로 레이블링하는 데 성공한다.
• 이 방법은 대규모 블록체인 데이터에서 확장 가능성을 입증하여 수백만 건의 거래를 효율적으로 처리할 수 있다.
• 변화 주소 사용과 입력 통합과 같은 행동 패턴은 공동 소유의 강력한 지표임을 입증한다.
• 이 프레임워크는 암호화폐 거래 모니터링 분야에서 수사 및 준법 도구의 실용적 기반을 제공한다.