비트코인에서 불법 거래 탐지를 위한 그래프 신경망 연구 = A Study on the Graph Neural Networks for Detecting Illicit Transactions in Bitcoin

다국어 초록 (Multilingual Abstract)

Every day, criminals engage in money laundering activities using proceeds from various felonies(terrorism, drug and human trafficking, etc.), thereby causing significant harm to millions of individuals and the economy. In particular, criminals utilize cryptocurrencies for illegal purposes. By taking advantage of the anonymity, offenders are able to launder money and serve their own illicit interests. The identification of illicit transactions within the realm of cryptocurrencies necessitates substantial financial costs and international cooperation. However, the detection of such activities proves to be challenging due to socioeconomic and international constraints. To address this issue, this paper proposes the use of graph neural networks and transfer learning. The results demonstrate a noteworthy achievement of 98.5% F1-Score, leveraging a pre-trained graph neural network and the Elliptic dataset, which encompasses more than 200,000 transactions and 234,000 payment flows. Furthermore, the study identifies the top 10 significant features. Overall, this study provides valuable insights and technological advancements in the detection of illegal transactions, serving as a significant resource.

국문 초록 (Abstract)

매일 범죄자들은 중죄(테러, 마약 밀매, 인신매매 등)로 얻은 금액을 세탁하여 수많은 사람과 경제에 큰 피해를 준다. 특히, 암호화폐는 자금세탁에 자주 활용된다. 범죄자들은 암호화폐의 익명성 뒤에 숨어 자금을 세탁하고, 사적인 이익을 채운다. 이와 같은 자금세탁을 탐지하기 위해서는 높은 비용과 범국제적 협력이 필요하지만, 사회 경제적 및 국제적 한계로 자금세탁을 방지 및 탐지하기 매우 어렵다. 이러한 문제를 해결하기 위해 본 논문에서는 전이 학습을 통한 그래프 신경망을 사용하여 불법 패턴을 탐지하고자 한다. 사전 학습한 그래프 신경망과 200,000개가 넘는 비트코인 거래와 234,000개의 결제 흐름 데이터가 존재하는 Elliptic 데이터셋을 사용하여 98.5%의 F1-Score를 달성했으며, 165개의 특징(features)들 중 가장 높은 중요도를 보인 10개의 특징을 확인했다. 이 연구를 통해 자금세탁을 탐지할 수 있는 기술적 측면의 중요한 자료로 활용될 수 있다.

참고문헌 (Reference)

• 1 서준배 ; 최재훈, "위험기반 접근법(RBA)을 활용한 자금세탁 의심징후 분석 및 자금세탁방지(AML) 노력에 미치는 영향요인 연구" 경찰대학 22 (22): 35-58, 2022
• 2 연성진, "암호화폐(Cryptocurrency)관련 범죄 및 형사정책 연구" 형사정책연구원 1-401, 2017
• 3 이관형, "암호화폐 관련 범죄의 예방과 수사에 관한형사정책적 고찰 : 최근 국회 입법 논의를 중심으로" 경찰대학 19 (19): 63-96, 2019
• 4 신현성, "비트코인을 이용한 신종 환치기 범행 적발"
• 5 김규진, "미국의 가상화폐(virtual currency) 관련 경제제재 - 최신 사례를 중심으로 -" 은행법학회 14 (14): 265-300, 2021
• 6 정지열 ; 강형구, "국제적 자금세탁 의심거래에 대한 소셜 네트워크 분석(SNA): 미국 재무부의 의심거래보고(SAR) 문건을 중심으로" 한국법경제학회 18 (18): 39-62, 2021
• 7 Z. Yang, "Revisiting semi-supervised learning with graph embeddings" 40-48, 2016
• 8 A. Wahrstätter, "Improving cryptocurrency crime detection : CoinJoin community detection approach" 1-11, 2023
• 9 Z. Ying, "Gnn explainer : generating explanations for graph neural network" 1-12, 2019
• 10 FATF, "FATF report to G20 finance ministers and central bank governors"
• 11 S. Farrugia, "Detection of illicit accounts over the Ethereum blockchain" 150 : 2020
• 12 P. Xia, "Characterizing cryptocurrency exchange scams" 98 (98): 1-17, 2020
• 13 D. Ermilov, "Automatic bitcoin address clustering" 461-466, 2017
• 14 M. Weber, "Anti-money laundering in bitcoin : experimenting with graph convolutional networks for financial forensics" 1-7, 2019
• 15 S. Meiklejohn, "A fistful of bitcoins : characterizing payments among men with no names" 127-140, 2013