공간 - 시간 그래프 신경망을 활용한 암호화폐 시장 사기 탐지
요약
본 논문은 암호화폐 시장의 사기 거래를 탐지하기 위해 공간-시간 그래프 신경망(STGNN)을 활용하는 방법을 제안합니다. 기존 방식이 개별 자산과 거래를 독립적으로 처리했던 것과 달리, 이 방법론은 시장 조작이 관계적 구조와 시간적 패턴에 의존한다는 점에 착안하여, 주의 기반 공간 집계와 시간적 Transformer 인코딩을 결합한 통합 그래프 아키텍처를 사용합니다. 실제 데이터셋 평가 결과, 제안된 그래프 기반 모델이 기존의 표준 기계 학습 방식보다 시장 조작 스킴 탐지에서 유의미하게 높은 성능을 보였습니다.
핵심 포인트
- 암호화폐 사기 탐지는 개별 자산 분석을 넘어선 관계적 구조(그래프) 이해가 필수적이다.
- 제안된 모델은 주의 기반 공간 집계와 시간적 Transformer 인코딩을 결합한 통합 STGNN 아키텍처를 사용한다.
- 이 방법론은 펌프 앤 덤프와 같은 시장 조작 스킴의 복잡하고 연결된 패턴 탐지에 강점을 가진다.
- 실제 데이터셋 평가 결과, 그래프 기반 모델이 기존 ML 베이스라인 대비 우수한 이상 현상 탐지 성능을 입증했다.
암호화폐 시장의 기술적 발전은 투자자의 접근성을 높였으나, 동시에 시장 조작 위험에 노출되게 만들었습니다. 기존의 사기 탐지 메커니즘은 일반적으로 각 금융 자산 (즉, 토큰) 과 그 관련 거래를 독립적으로 취급하는 기계 학습 방법을 의존합니다. 그러나 시장 조작 전략은 고립된 사건인 경우가 드물며, 오히려 조정, 반복 및 관련 자산 간 빈번한 이체로 특징지어집니다. 이는 관계적 구조가 신호의 필수적인 구성 요소이며 그래프 수단을 통해 효과적으로 표현될 수 있음을 시사합니다. 본 논문에서는 집계된 시별 시장 데이터를 기반으로 하는 세 가지 그래프 구축 방법을 제안합니다. 제안된 그래프는 주의 기반 공간 집계 (attention-based spatial aggregation) 와 시간적 Transformer 인코딩 (temporal Transformer encoding) 을 결합한 통합 공간 - 시간 그래프 신경망 (GNN) 아키텍처에 의해 처리됩니다. 우리는 암호화폐 시장의 펌프 앤 덤프 (pump-and-dump) 스기ーム을 포함한 실제 세계 데이터셋에서 3 년 이상의 기간 동안 우리의 방법론을 평가했습니다. 비교 결과에 따르면, 우리의 그래프 기반 모델은 표준 기계 학습 베이스라인 대비 이상 현상 탐지에서 유의미한 개선을 달성함을 보여줍니다.我们的工作는 학습된 시장 연결성이 조정된 시장 조작 스기ーム 탐지에 상당한 이점을 제공함을 강조합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기