[논문 리뷰] Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics

Nadia Pocher, Mirko Zichichi외 3명|arXiv (Cornell University)|2022. 06. 07.

Blockchain Technology Applications and Security인용 수 11

한 줄 요약

이 논문은 비트코인 블록체인 내 이면 거래를 탐지하기 위해 그래프 컬러이션 네트워크(GCN)와 그래프 어텐션 네트워크(GAT)를 기반으로 한 기계학습 기반의 포렌식 접근법을 제안한다. 거래는 방향성 있는 그래프로 모델링되며, GCN는 전통적인 방법들인 랜덤 포레스트보다 뛰어난 성능을 보였고, GAT는 이 분야에서 처음으로 적용된 것으로, 탈중앙화 금융에서의 AML/CFT 준수에 큰 잠재력을 보여준다.

ABSTRACT

In shaping the Internet of Money, the application of blockchain and distributed ledger technologies (DLTs) to the financial sector triggered regulatory concerns. Notably, while the user anonymity enabled in this field may safeguard privacy and data protection, the lack of identifiability hinders accountability and challenges the fight against money laundering and the financing of terrorism and proliferation (AML/CFT). As law enforcement agencies and the private sector apply forensics to track crypto transfers across ecosystems that are socio-technical in nature, this paper focuses on the growing relevance of these techniques in a domain where their deployment impacts the traits and evolution of the sphere. In particular, this work offers contextualized insights into the application of methods of machine learning and transaction graph analysis. Namely, it analyzes a real-world dataset of Bitcoin transactions represented as a directed graph network through various techniques. The modeling of blockchain transactions as a complex network suggests that the use of graph-based data analysis methods can help classify transactions and identify illicit ones. Indeed, this work shows that the neural network types known as Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) are a promising AML/CFT solution. Notably, in this scenario GCN outperform other classic approaches and GAT are applied for the first time to detect anomalies in Bitcoin. Ultimately, the paper upholds the value of public-private synergies to devise forensic strategies conscious of the spirit of explainability and data openness.

연구 동기 및 목표

• 이름 없는 거래자와 신원이 없는 환경에서 기존 AML/CFT 준수 방식이 익명성과 신원 부재로 인해 어려움을 겪는 탈중앙화 시스템 내 불법 암호화폐 거래를 식별하는 데 도전하는 것.
• 특히 GCN와 GAT를 포함한 그래프 기반 기계학습 모델이 실제 비트코인 거래 데이터 내 이면 거래를 탐지하는 데 효과적인지 평가하는 것.
• 블록체인 기반 금융 범죄 탐지의 맥락에서 설명 가능하고 공개-민간 협력 기반의 포렌식 기법의 실현 가능성과 성능을 탐색하는 것.
• evolving 암호화 생태계에서 탐지 정확도, 해석 가능성, 규제 준수를 균형 있게 유지하는 RegTech 솔루션의 개발에 기여하는 것.

제안 방법

• 저자는 비트코인 거래를 방향성 있는 그래프 네트워크로 모델링하며, 거래 입력과 출력을 각각 노드와 간선으로 표현한다.
• 그래프 구조 데이터 전용 딥러닝 아키텍처인 그래프 컬러이션 네트워크(GCN)와 그래프 어텐션 네트워크(GAT)를 적용하여 거래를 정상 또는 이면으로 분류한다.
• 모델은 거래 그래프의 구조적 특징(예: 노드 차수, 군집 계수, 중심성 측정치 등)에서 유도된 특징을 사용해 실제 비트코인 거래 데이터셋으로 훈련된다.
• 정밀도, 재현율, F1 점수와 같은 표준 분류 지표를 사용해 성능을 평가하며, 랜덤 포레스트와 같은 전통적 기계학습 기준 모델과의 비교를 수행한다.
• 연구는 모델의 설명 가능성에 중점을 두며, 포렌식 분석의 투명성과 규제 일치성을 확보하기 위해 공공-민간 협력을 주장한다.

실험 결과

연구 질문

• RQ1 그래프 기반 기계학습 모델은 실제 비트코인 거래 데이터 내 이면 암호화폐 거래를 효과적으로 탐지할 수 있는가?
• RQ2 AML/CFT 거래 분류 맥락에서 GCN와 GAT 모델은 랜덤 포레스트와 같은 전통적 기계학습 접근법에 비해 성능에서 어떻게 비교되는가?
• RQ3 비트코인 내 AML/CFT 이상 탐지에 처음으로 그래프 어텐션 네트워크(GAT)를 적용하는 데서 나타나는 새로운 사례와 잠재력은 무엇인가?
• RQ4 설명 가능하고 공개 가능한 포렌식 모델은 암호화폐 거래 모니터링에서 규제 준수를 강화하고 가짜 경고를 줄이는 데 얼마나 기여할 수 있는가?

주요 결과

• 그래프 컬러이션 네트워크(GCN) 모델은 랜덤 포레스트를 포함한 기존 기계학습 기준 모델보다 비트코인 이면 거래 분류에서 뛰어난 성능을 보였다.
• 그래프 어텐션 네트워크(GAT) 모델은 GCN에 비해 성능이 약간 낮았지만, AML/CFT 포렌식 분야에서 새로운 접근법으로서 강력한 잠재력을 보였다.
• 본 연구는 GAT 모델을 비트코인 거래 이상 탐지에 처음으로 적용한 사례로, 블록체인 포렌식 분야에서 중요한 혁신을 이룬다.
• 결과는 그래프 기반 모델이 불법 활동 탐지에 관련된 복잡한 거래 패턴과 구조적 특징을 잘 포착할 수 있음을 시사한다.
• 저자는 모델의 설명 가능성과 데이터의 개방성을 강조하며, 이는 규제 신뢰를 확보하고 준수 시스템 내 과다 보고를 줄이는 데 핵심적이라고 주장한다.