[논문 리뷰] GuiltyWalker: Distance to illicit nodes in the Bitcoin network

Catarina Oliveira, João Torres외 4명|arXiv (Cornell University)|2021. 02. 10.

Crime, Illicit Activities, and Governance참고 문헌 10인용 수 4

한 줄 요약

GuiltyWalker는 시드 노드에서 시작하는 랜덤 워크를 통해 알려진 불법 비트코인 거래와의 거리를 계산하는 그래프 기반 특징 공학 방법을 제안한다. 이는 자동화된 랜덤 워크 기반의 거리 정보를 활용하여 불법 거래 탐지에 유용한 구조적 특징을 추출함으로써, 반독립적 기계학습 모델의 성능을 크게 향상시킨다. 특히 블랙마켓 폐쇄와 같은 네트워크 불안정 상황에서 기존 모델이 성능을 저하시키는 상황에서도 유의미한 성능 향상을 보이며, 기존 특징과 통합함으로써 F1-스코어를 5pp 향상시킨다.

ABSTRACT

Money laundering is a global phenomenon with wide-reaching social and economic consequences. Cryptocurrencies are particularly susceptible due to the lack of control by authorities and their anonymity. Thus, it is important to develop new techniques to detect and prevent illicit cryptocurrency transactions. In our work, we propose new features based on the structure of the graph and past labels to boost the performance of machine learning methods to detect money laundering. Our method, GuiltyWalker, performs random walks on the bitcoin transaction graph and computes features based on the distance to illicit transactions. We combine these new features with features proposed by Weber et al. and observe an improvement of about 5pp regarding illicit classification. Namely, we observe that our proposed features are particularly helpful during a black market shutdown, where the algorithm by Weber et al. was low performing.

연구 동기 및 목표

• 거래 그래프의 구조적 특징을 활용하여 비트코인 불법 거래 탐지에 유용한 기계학습 성능을 향상시키는 것.
• 블랙마켓 폐쇄와 같은 네트워크 혼란 상황에서 기존 모델의 성능 저하 문제를 해결하는 것.
• 과거 레이블과 네트워크 토폴로지를 활용하여 분류에 유용한 정보를 추출하는 방법을 개발하는 것.
• 랜덤 워크에서 유도된 거리 기반 특징이 기존 거래 특징과 중복되지 않는 고유한 정보를 제공하는지 확인하는 것.
• 그래프 기반의 시간적 동적 특징을 통합함으로써 모델의 강인성 향상 및 새로운 불법 활동 탐지 능력을 강화하는 것.

제안 방법

• GuiltyWalker는 시간순서가 지정된 비트코인 거래 그래프에서 시드 노드를 기준으로 랜덤 워크를 수행하며, 들어오는 간선을 통해 이전(더 이른) 거래로만 이동한다.
• 랜덤 워커는 알려진 불법 노드에 도달하거나 더 이상 유효한 조상 노드가 없을 때까지 진행되며, 시간 순서에 따라 유한한 워크가 보장된다.
• 각 시드 노드에 대해 다수의 랜덤 워크를 샘플링하여 불법 노드로 향하는 다양한 경로를 탐색함으로써 구조적 근접도를 포괄적으로 측정한다.
• 특징 추출기에서는 워크에서 유도된 통계량(예: 첫 번째 불법 노드에 도달하는 평균 단계 수, 도달한 고유한 불법 노드 수, 워크 성공률 등)을 집계하여 특징을 생성한다.
• 이러한 신규 특징들은 웨버 등(2019)이 제시한 원본 166개 익명화된 특징과 결합되어 감독 분류기 학습에 사용된다.
• 특징 선택 기법을 적용하여 유용한 GuiltyWalker 기반 특징만 유지함으로써 모델의 효율성과 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 랜덤 워크에서 유도된 그래프 구조적 특징이 불법 비트코인 거래 탐지에 있어 기계학습 성능 향상에 기여하는가?
• RQ2 블랙마켓 폐쇄와 같은 네트워크 혼란 상황에서 기존 모델의 성능은 어떻게 변화하는가?
• RQ3 불법 노드까지의 거리 기반 특징은 기존 거래 특징과 비교해 독립적이고 중복되지 않는 정보를 제공하는가?
• RQ4 GuiltyWalker의 특징은 기존 모델이 놓친 새로운 불법 거래를 탐지하는 데 기여하는가?
• RQ5 GuiltyWalker 특징은 다양한 네트워크 상태에서 모델의 강인성과 일반화 능력을 얼마나 향상시키는가?

주요 결과

• GuiltyWalker를 적용한 모델은 웨버 등(2019)의 원본 166개 특징만을 사용한 모델 대비 약 5%포인트의 F1-스코어 향상을 보였다.
• 성능 향상은 블랙마켓 폐쇄 기간에 가장 두드러졌으며, 기준 모델은 성능이 급격히 저하되었지만 GuiltyWalker 기반 모델은 강인성을 유지했다.
• 특징이 원본 특징에서 포착되지 않은 고유한 정보를 제공한다는 점이 입증되었으며, 이는 일부 노드가 불법 노드로 향하는 경로가 없음에도 불구하고 높은 특징 값을 가지는 경우가 있었기 때문이다. 이는 구조적 인사이트를 반영한다.
• GuiltyWalker 특징을 사용한 모델는 정밀도는 약간 낮았지만 재현율(76.7%)과 F1-스코어(85.47%)가 기준 모델 및 이전 앙상블 방법보다 높았다.
• 특히 네트워크의 동적 변화나 높은 혼란 상황에서 기존 모델이 놓쳤던 불법 거래를 성공적으로 탐지하였다.
• 특징 선택을 통해 모델 성능이 추가로 향상되었으며, 이는 GuiltyWalker 특징 전부가 동일하게 유용한 것은 아니며, 필터링을 통해 효율성과 정확도가 향상됨을 확인시켰다.