비트코인은 대표적인 암호화폐로서 경제적 거래 수단으로서의 효용성을 입증하였으나, 사용자의 익명성을 보장하는 가명성(Pseudonymity)으로 인해 자금세탁 및 불법 거래 수단으로 악용되는 사례가 급증하고 있다. 특히, CoinJoin과 같은 믹싱 서비스는 거래 경로를 의도적으로 복잡하게 구성하여 자금 출처와 흐름 추적을 어렵게 만들지만, 기존의 온체인 분석 또는 개별 트랜잭션 중심 추적 기법으로는 믹싱 트랜잭션을 효과적으로 탐지하기 어렵다. 또한, 믹싱 트랜잭션 그래프를 GNN(Graph Neural Network) 기반으로 탐지하는 연구들은 전체 네트워크를 단일 그래프로 구성하는 전역적 분류 방식에 집중하고 있어, 개별 트랜잭션 중심의 세밀한 맥락 파악에는 한계가 있다. 본 논문에서는 범죄 및 비범죄 비트코인 트랜잭션 데이터셋을 직접 구축하고, 각 트랜잭션의 인접 흐름을 독립적인 서브그래프 단위로 모델링한 후, GNN 기반 학습을 통해 믹싱 트랜잭션 탐지 성능을 향상시키는 기법을 제안한다. 실험 결과, 서브그래프를 활용 시, 믹싱 트랜잭션을 97% 이상 정확도로 탐지하는 것을 확인하였고, GNN 기반 학습 결과, GraphSAGE 모델이 98.5%의 F1-score로 가장 높은 성능으로 비트코인 믹싱 트랜 잭션을 데이터셋에서 식별해 내는 것을 확인하였다. 본 연구에서 제안하는 서브그래프 기반 믹싱 탐지 기법은 암호화폐 기반 범죄 수사 실무에 활용될 수 있으며, 특히 범죄 자금의 연속적 흐름 추적이 요구되는 자금세탁 방지 시스템 및 블록체인 포렌식 분석 도구에 적용 가능할 것으로 기대된다.
Lee et al. (Fri,) studied this question.