Cryptocurrencies are used as a channel for dealing with illegal funds to criminals. In fact, more than billions-dollar of Bitcoin have been penetrating cryptocurrency exchange every year. Despite the Bitcoin financial forensics' urgency to investigate criminals, existing methods inhere fundamental limitations due to lack of consideration about graph data even though Bitcoin user graph is hypergraph data. To address the limitations of existing methods, we develop a novel Hyperedge Classification method by approximating structure-based edge similarity through graph neural net to detect illegal transactions, represented as hyperedge in the Bitcoin user graph. Moreover, we present a highly scalable graph neural net algorithm by utilizing clustering-based scalable graph neural net and random walk-based sampling method to handle large Bitcoin graph. Based on novel Hyperedge classification, we propose a framework called CENSor, which enables powerful and robust detection than legacy techniques about both illegal entity detection and illegal transaction detection. Compared to the previous graph-based method, our framework succeeds in improving the increment of F-1 score ten times better. We could represent the importance of utilizing proper graph information in Bitcoin analysis by visualizing the Bitcoin cluster graph and Hyperedge-Node switched graph.
가상화폐들은 범죄자들의 불법적인 자금을 유통하는 창구로 사용되고 있다. 실제로 매년 수십억 달러 이상의 불법적인 비트코인이 가상화폐 거래소에 파고들고 있다. 따라서 비트코인 거래를 분석하기 위한 금융포렌식이 매우 시급함에도 불구하고, 기존 방법들은 하이퍼그래프 구조를 고려하지 않아 성능상의 한계가 존재한다. 기존 연구들의 한계를 해결하기 위하여, 본 연구는 그래프 구조 기반 에지 유사도를 그래프 뉴럴 네트워크로 근사하는 새로운 하이퍼에지 분류 방법을 개발한다. 또한, 수 천만개의 노드로 구성되는 비트코인 그래프를 다루기 위하여, 클러스터 기반 GCN과 random walk 기반 샘플링을 결합하는 방식의 scalable한 그래프 뉴럴 네트워크 알고리즘을 제시한다. 본 논문에서 고안한 하이퍼에지 분류 방법에 기반하여, 기존의 방식보다 탐지 성능이 뛰어나고 adversarial attack에 robust한 비트코인 거래/클러스터를 탐지하는 프레임워크를 설계하였다. 이전에 시도되었던 그래프 기반 방식과 비교하였을 때, 본 연구에서 설계한 프레임워크는 탐지 F-1 score 증가량을 10배 이상 향상시키는데 성공하였다. 뿐만 아니라, 본 논문은 비트코인 클러스터 그래프와 Hyperedge-Node Switched Graph를 시각화함으로써 비트코인 거래 포렌식에 있어 그래프 정보를 올바르게 활용하는 것이 중요하다는 것을 보여준다.
