KR102113347B1 - 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 - Google Patents
인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 Download PDFInfo
- Publication number
- KR102113347B1 KR102113347B1 KR1020200020776A KR20200020776A KR102113347B1 KR 102113347 B1 KR102113347 B1 KR 102113347B1 KR 1020200020776 A KR1020200020776 A KR 1020200020776A KR 20200020776 A KR20200020776 A KR 20200020776A KR 102113347 B1 KR102113347 B1 KR 102113347B1
- Authority
- KR
- South Korea
- Prior art keywords
- cryptocurrency
- account
- accounts
- information
- determining
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Abstract
인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법은 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보를 수집하는 단계, 상기 수집한 암호화폐 거래 정보를 시각화하는 단계, 상기 시각화된 암호화폐 거래 정보를 분석하는 단계 및 상기 시각화된 암호화폐 거래 정보의 분석 결과에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함한다.
Description
본 발명의 다양한 실시예는 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램에 관한 것이다.
소수의 이용자들 사이에서 통용되던 암호화폐(예: 비트코인)이 점차 언론과 일반 대중의 관심을 받게 되면서 이용자의 수가 기하급수 적으로 늘어나기 시작하였고, 이로 인해 암호화폐의 가격 및 거래량이 급상승하는 버블 현상이 발생되어 사회에 지대한 영향을 미치게 되었다.
암호화폐 시스템을 활용한 다양한 산업들이 발전하고 있으나, 이것이 사회에 미칠 영향에 대한 평가와 앞으로의 발전 가능성에 대한 전망은 크게 엇갈리고 있으며 각국의 대응 또한 큰 차이를 보이고 있다. 암호화폐의 영향을 부정적으로 평가하는 국가들은 암호화폐의 사용 전체를 불법으로 규정하거나 혹은 금융기관의 암호화폐 사용을 제한하는 등의 조치를 취하여 신기술 도입에 따른 사회적 충격을 완화하려 하고 있다.
암호화폐의 가격과 거래량을 분석해보면, 2018년 초 가격 급락으로 거래량이 감소하였으나, 2019년 거래량이 빠르게 회복하였으며, 이를 통해 글로벌 암호화폐 시장이 버블 이후 한단계 성숙했음을 알 수 있다.
또한, 암호화폐은 금융시장 내 대체투자 자산으로서 가치가 확인되었고, 브라질, 아르헨티나 및 베네수엘라에서는 법정화폐를 대체하여 암호화폐를 활발하게 사용한다는 점을 고려할 때, 향후 암호화폐 거래 시장은 지속적으로 성장할 것으로 전망된다.
한편, 암호화폐는 본질적으로 탈중앙성, 익명성의 성격을 가지기 때문에 범죄 수단(예: ICO 사기, 자금세탁 및 암시장 결제수단 등)으로 악용될 가능성이 높다. 실제 2019년도 악용된 암호화폐로 인한 예상 피해 규모가 전년 대비 2.5배 증가한 약 5조 2천억원인 것으로 파악된다.
이에 따라, 암호화폐와 관련된 각국의 정부 기관, 암호화폐 취급 기관들은 다양한 방식으로 암호화폐와 관련된 범죄를 예방 및 추적하기 위해 노력하고 있을 뿐만 아니라, 새로운 규제를 만들어 자금 세탁 등 암호화폐 범죄가 방지되도록 노력하고 있다.
그러나, 규제를 준수해야 할 대상이 각국 정부 및 암호화폐 취급기업으로 매우 광범위하다는 문제가 있다. 또한, 규제 강화 추세에 따른 기술 개발이 이루어져야 하나, 여전히 기술적인 한계로 인해 범죄 예방 및 추적에 한계가 있다는 문제가 있다. 예를 들어, 종래에는 수동 데이터 수집 방식을 이용하여 계좌를 추적하였으나, 고도화된 자금 세탁 기술로 인해 추적 시 열람해야 하는 거래량이 증가하여 모든 거래량 열람이 현실적으로 불가능하다. 또한, 수동 데이터 수집 방식의 경우 제한적인 수의 계좌만을 파악할 수 있으며, 계좌 추적을 위해 막대한 비용이 소요된다는 문제가 있다.
본 발명이 해결하고자 하는 과제는 복수의 암호화폐 계좌에서 발생된 암호화폐 거래 정보를 이용하여 복수의 암호화폐 계좌 각각의 속성(예: 유형)을 결정 및 분류함으로써, 단시간내에 많은 정보를 적은 비용으로 처리할 수 있는, 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보를 수집하는 단계, 상기 수집한 암호화폐 거래 정보를 시각화하는 단계, 상기 시각화된 암호화폐 거래 정보를 분석하는 단계 및 상기 시각화된 암호화폐 거래 정보의 분석 결과에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 수집한 암호화폐 거래 정보를 시각화하는 단계는, 상기 복수의 암호화폐 계좌 각각에 대응되는 복수의 노드(Node)를 생성하는 단계 및 상기 암호화폐 거래 정보에 기초하여, 상기 복수의 암호화폐 계좌에 대응되는 노드 중 송금자의 암호화폐 계좌의 노드와 수금자의 암호화폐 계좌의 노드를 선(Edge)으로 연결하는 단계를 포함하며, 상기 선으로 연결하는 단계는, 상기 송금자의 암호화폐 계좌의 노드에서 상기 수금자의 암호화폐 계좌의 노드 방향으로 상기 선을 연결하며, 상기 연결된 선과 인접한 위치에 상기 암호화폐 거래 정보에 따른 거래 수량, 거래 횟수 및 거래 시간 정보를 출력하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 시각화된 암호화폐 거래 정보를 분석하는 단계는, 기 학습된 제1 모델을 이용하여 상기 복수의 노드가 상기 선으로 연결된 형태를 판단하는 단계를 포함하며, 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는, 상기 복수의 노드가 상기 선으로 연결된 형태에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 시각화된 암호화폐 거래 정보를 분석하는 단계는, 상기 선으로 연결된 상기 복수의 노드의 개수가 제1 기준 값 이하인 경우, 기 학습된 제2 모델을 이용하여 상기 복수의 암호화폐 계좌 각각에 대한 거래 패턴을 분석하는 단계를 포함하며, 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는, 상기 분석한 거래 패턴에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 시각화된 암호화폐 거래 정보를 분석하는 단계는, 상기 복수의 노드 각각에 대한 선의 개수가 제2 기준 값 이하인 경우, 암호화폐 계좌의 소유자를 기준으로 상기 복수의 암호화폐 계좌 중 적어도 하나의 암호화폐 계좌를 그룹화 하는 단계 및 상기 그룹화된 적어도 하나의 암호화폐 계좌에서 발생된 상기 암호화폐 거래 정보를 이용하여 상기 그룹화된 적어도 하나의 암호화폐 계좌에 대한 패턴을 분석하는 단계를 포함하며, 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는, 상기 그룹화된 적어도 하나의 암호화폐 계좌에 대한 패턴에 기초하여 상기 그룹화된 적어도 하나의 암호화폐 계좌 각각에 대한 속성을 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 암호화폐 거래 정보를 수집하는 단계는, 외부의 웹 사이트로부터 이미지 형태의 암호화폐 계좌 정보 및 하나 이상의 키워드를 수집하는 단계를 포함하며, 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는, 상기 이미지 형태의 암호화폐 계좌 정보를 분석하여 텍스트 형태의 암호화폐 계좌 정보를 추출하는 단계 및 상기 하나 이상의 키워드를 분석하여 상기 추출된 텍스트 형태의 암호화폐 계좌 정보에 대응되는 암호화폐 계좌의 속성을 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 암호화폐 거래 정보를 수집하는 단계는, 기 저장된 다크웹(Darkweb) 접속 소프트웨어를 이용하여 외부의 다크웹 사이트를 접속하고, 기 설정된 주기마다 상기 다크웹 사이트로부터 암호화폐와 관련된 정보를 자동적으로 수집하는 단계를 포함하며, 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는, 상기 다크웹 사이트로부터 수집된 상기 암호화폐와 관련된 정보에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는, 상기 복수의 암호화폐 계좌의 속성을 개인(Individual) 계좌, 환전(Exchanges) 계좌, 채굴자(Miners) 계좌, 믹서(Mixers) 계좌, 판매자(Merchant) 계좌, 서비스(Services) 계좌, 다크웹(Darkweb) 계좌 및 헤지펀드(Hedge funds) 계좌 중 어느 하나로 결정하는 단계를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 본 발명의 일 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법을 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어, 본 발명의 일 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 복수의 암호화폐 계좌에서 발생된 암호화폐 거래 정보를 이용하여 복수의 암호화폐 계좌 각각의 속성(예: 유형 및 역할)을 결정 및 분류함으로써, 단시간내에 많은 정보를 적은 비용으로 처리할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법의 순서도이다.
도 4는 다양한 실시예에서, 시각화된 암호화폐 거래 정보를 도시한 도면이다.
도 5는 다양한 실시예에서, 노드 및 선의 개수에 따라 서로 다른 학습 모델을 이용하여 암호화폐 계좌를 분류하는 방법의 순서도이다.
도 6은 다양한 실시예에서, 그래프 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 7은 다양한 실시예에서, 계좌 주소 기반 지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 8은 다양한 실시예에서, 소유자 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 9는 다양한 실시예에서, 웹사이트로부터 얻은 이미지 형태의 암호화폐 계좌 정보 및 키워드를 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법의 순서도이다.
도 4는 다양한 실시예에서, 시각화된 암호화폐 거래 정보를 도시한 도면이다.
도 5는 다양한 실시예에서, 노드 및 선의 개수에 따라 서로 다른 학습 모델을 이용하여 암호화폐 계좌를 분류하는 방법의 순서도이다.
도 6은 다양한 실시예에서, 그래프 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 7은 다양한 실시예에서, 계좌 주소 기반 지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 8은 다양한 실시예에서, 소유자 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 9는 다양한 실시예에서, 웹사이트로부터 얻은 이미지 형태의 암호화폐 계좌 정보 및 키워드를 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 시스템을 도시한 도면이다.
도 1을 참조하면 본 발명의 일 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 시스템은, 암호화폐 계좌 분류 장치(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 1에 도시된 인공지능을 이용한 암호화폐 계좌 분류 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 암호화폐 계좌 분류 장치(100)는 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보(예: 트랜젝션(Transaction))를 수집하고, 수집한 암호화폐 거래 정보를 이용하여 복수의 암호화폐 계좌 각각의 속성(예: 계좌의 유형, 역할)을 결정할 수 있다.
다양한 실시예에서, 암호화폐 계좌 분류 장치(100)는 네트워크(400)를 통해 외부 서버(300)(예: 암호화폐 거래 중개 서버)로부터 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보를 수집할 수 있고, 수집한 암호화폐 거래 정보를 시각화(예: 도 4)할 수 있으며, 시각화된 암호화폐 거래 정보를 분석하여 복수의 암호화폐 계좌 각각의 속성을 결정할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 암호화폐 계좌 분류 장치(100)는 시각화된 암호화폐 거래 정보를 분석하여 복수의 암호화폐 계좌 각각의 속성을 결정하되, 분석 결과에 따라 개인(Individual) 계좌, 환전(Exchanges) 계좌, 채굴자(Miners) 계좌, 믹서(Mixers) 계좌, 판매자(Merchant) 계좌, 서비스(Services) 계좌, 다크웹(Darkweb) 계좌 및 헤지펀드(Hedge funds) 계좌 중 어느 하나로 결정할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 암호화폐 계좌 분류 장치(100)는 암호화폐 거래 정보를 분석하여, 암호화폐와 관련된 각종 정보를 생성할 수 있고, 생성된 각종 정보를 사용자 단말(200)로 제공할 수 있다. 예를 들어, 암호화폐 계좌 분류 장치(100)는 암호화폐 거래 정보를 분석하여 암호화폐의 가격 변동성 예측 정보를 생성할 수 있고, 사용자 인터페이스(User interface, UI)를 통해 암호화폐의 가격 변동성 예측 정보를 사용자 단말(200)로 제공할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 암호화폐 계좌 분류 장치(100)와 연결될 수 있으며, 암호화폐 계좌 분류 장치(100)로부터 암호화폐와 관련된 각종 정보(예: 암호화폐 계좌의 속성 정보 및 암호화폐의 가격 변동성 예측 정보)를 제공받아 출력할 수 있다. 예를 들어, 사용자 단말(200)은 사용자 단말(200)의 적어도 일부분에 디스플레이를 포함할 수 있으며, 디스플레이를 통해 암호화폐 계좌 분류 장치(100)로부터 UI를 제공받아 암호화폐 계좌의 속성 정보 및 암호화폐의 가격 변동성 예측 정보와 같은 각종 정보를 디스플레이 상에 출력할 수 있다.
다양한 실시예에서, 사용자 단말(200)은 적어도 일부 영역에 디스플레이를 포함하는 스마트폰, 태블릿 PC, 노트북 및 데스크탑 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 암호화폐 계좌 분류 장치(100)와 연결될 수 있으며, 암호화폐 계좌 분류 장치(100)가 암호화폐 계좌를 분류함에 있어서 필요한 각종 정보를 제공할 수 있다. 예를 들어, 외부 서버(300)는 암호화폐의 거래를 중개하는 서비스를 제공하는 서버일 수 있으며, 암호화폐의 거래를 중개하는 서비스를 통해 발생된 암호화폐 계좌 간의 암호화폐 거래 정보를 저장하고, 저장된 암호화폐 거래 정보를 암호화폐 계좌 분류 장치(100)로 제공할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 외부 서버(300)는 암호화폐 계좌 분류 장치(100)로부터 각종 데이터(예: 복수의 암호화폐 계좌 각각에 결정된 속성에 대한 정보 등)를 제공받아 저장할 수 있다. 예를 들어, 외부 서버(300)는 암호화폐 계좌 분류 장치(100) 외부에 별도로 구비되는 저장 장치일 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 암호화폐 계좌 분류 장치(100)가 생성하는 각종 데이터를 저장하는 저장 장치(미도시)를 구비할 수 있다. 예를 들어, 암호화폐 계좌 분류 장치(100)는 저장 장치를 이용하여 수백억 건의 계좌 정보 및 거래 정보를 체계적으로 저장 및 관리할 수 있다. 예를 들어, 암호화폐 계좌 분류 장치(100)는 시각화된 암호화폐 거래 정보를 저장하고, 암호화폐 자금 추적에 최적화된 그래프 전용 데이터베이스(Graph DB)를 구비할 수 있고, 이를 이용하여 적시에 범죄를 추적 및 실시간 정보를 제공할 수 있도록 DB의 분석 엔진을 그래프 정보 전용 고성능 엔진으로 튜닝할 수 있다. 이하, 도 2를 참조하여, 암호화폐 계좌 분류 장치(100)의 하드웨어 구성에 대하여 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 장치의 하드웨어 구성도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 암호화폐 계좌 분류 장치 (100)(이하, "컴퓨팅 장치(100)")는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크 인터페이스(또는 통신 인터페이스)(미도시), 스토리지(미도시), 버스(bus)(미도시)를 더 포함할 수 있다.
일 실시예에서, 프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
다양한 실시예에서, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 다양한 실시예에서, 프로세서(110)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예: 버스(bus) 등)를 포함할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
일 실시예에서, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 인스트럭션(instruction)을 실행함으로써, 도 3 내지 9와 관련하여 설명될 방법(인공지능을 이용한 암호화폐 계좌 분류 방법)을 수행할 수 있다. 예를 들어, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보를 수집하는 단계, 수집한 암호화폐 거래 정보를 시각화하는 단계, 시각화된 암호화폐 거래 정보를 분석하는 단계 및 시각화된 암호화폐 거래 정보의 분석 결과에 기초하여 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함하는 인공지능을 이용한 암호화폐 계좌 분류 방법을 수행할 수 있다.
일 실시예에서, 메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(120)에는 프로세서(110)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(120)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
다양한 실시예에서, 본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3을 참조하여, 컴퓨팅 장치(100)가 수행하는 따른 인공지능을 이용한 암호화폐 계좌 분류 방법에 대하여 설명하도록 한다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능을 이용한 암호화폐 계좌 분류 방법의 순서도이다.
도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보를 수집할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 외부 서버(300)(예: 복수의 암호화폐 계좌 간의 암호화폐 거래를 중개하는 서버)로부터 복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보(예: 트랜젝션)를 제공받을 수 있다. 그러나, 이에 한정되지 않는다.
S120 단계에서, 컴퓨팅 장치(100)는 S110 단계에서 수집한 복수의 암호화폐 간에 발생된 암호화폐 거래 정보를 시각화할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 암호화폐 간에 발생된 암호화폐 거래 정보를 그래프 형태로 시각화할 수 있다. 그러나, 이에 한정되지 않고, 컴퓨팅 장치(100)는 다양한 형태로 암호화폐 거래 정보를 시각화할 수 있다. 이하, 도 4를 참조하여 설명하도록 한다.
도 4는 다양한 실시예에서, 시각화된 암호화폐 거래 정보를 도시한 도면이다.
도 4를 참조하면, 일 실시예에서, 컴퓨팅 장치(100)는 복수의 암호화폐 계좌 각각에 대응되는 복수의 노드(Node)(10)를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 하나의 암호화폐 계좌에 대응하여 하나의 노드를 생성할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 소정의 크기를 가지는 정사각형의 형태로 노드를 생성할 수 있으나, 이에 한정되지 않고, 복수의 암호화폐 계좌 각각에 대한 각종 정보에 기초하여 다양한 형태(예: 원형, 타원형, 직사각형)로 생성될 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 암호화폐 계좌 각각에 대응하는 노드를 생성하되, 후술되는 S140 단계를 거쳐 결정된 암호화폐 계좌의 속성에 기초하여 복수의 암호화폐 계좌 각각에 대응되는 노드의 속성을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 암호화폐 계좌 각각의 속성에 기초하여 범죄 및 부정에 사용되는 암호화폐 계좌(예: 암시장 계좌, 사기 계좌 및 도박 계좌)에 대응하는 노드(11)를 제1 색상(예: 빨간색)으로 설정하고, 범죄 및 부정 사용 계좌와 연관된 암호화폐 계좌에 대응하는 노드(12)를 제2 색상(예: 노란색)으로 설정할 수 있다. 또한, 컴퓨팅 장치(100)는 정상 사용 암호화폐 계좌(예: 거래소 계좌, 채굴 계좌 및 상거래 계좌)에 대응하는 노드(13)를 제3 색상(예: 흰색)으로 설정할 수 있다. 이를 통해, 시각화된 암호화폐 거래 정보 제공받아 모니터링하는 사용자가 범죄 및 부정에 사용되는 암호화폐 계좌를 보다 용이하게 추적 감시할 수 있도록 할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 컴퓨팅 장치(100)는 암호화폐 거래 정보에 기초하여, 복수의 암호화폐 계좌에 대응되는 노드 중 송금자의 암호화폐 계좌와 수금자의 암호화폐 계좌를 선(Edge)으로 연결할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 암호화폐 거래 정보에 기초하여 복수의 암호화폐 계좌 중 제1 암호화폐 계좌에서 제2 암호화폐 계좌로 송금된 것으로 판단되는 경우, 제1 암호화폐 계좌에 대응되는 노드(11)와 제2 암호화폐 계좌에 대응되는 노드(12)를 선으로 연결할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 송금자의 암호화폐 계좌의 노드에서 상기 수금자의 암호화폐 계좌의 노드 방향으로 선(예: 화살표 형태의 선)을 연결하며, 연결된 선과 인접한 위치에 상기 암호화폐 거래 정보에 따른 거래 수량, 거래 횟수 및 거래 시간 정보를 함께 출력할 수 있다. 그러나, 이에 한정되지 않는다.
실시 예에 따라, 컴퓨팅 장치(100)는 암호화폐 거래 정보에 따른 거래 수량, 거래 횟수 및 거래 시간 정보에 따라 송금자의 암호화폐 계좌의 노드와 수금자의 암호화폐 계좌의 노드를 연결하는 선(edge)의 형태를 변경할 수 있다. 예를 들어, 암호화폐 거래 수량(혹은 거래 금액)에 따라 선의 두께가 변경될 수 있고, 암호화폐 거래 횟수에 따라 선의 형태(예: 파선, 겹선 등)가 변경될 수 있으며, 암호화폐 거래 시간이나 거래 빈도에 따라 선의 길이가 변경될 수 있으나, 이에 제한되는 것은 아니다.
노드를 연결하는 선의 형태는 기 설정된 규칙에 따라 암호화폐 거래 정보에 따른 거래 수량, 거래 횟수 및 거래 시간 정보 중 적어도 일부를 시각화하고, 이를 독출할 수 있도록 다양하게 설정될 수 있다.
컴퓨팅 장치(100)는 기 학습된 인공지능 모델을 이용하여 노드 간의 연결관계와 각 노드의 특성, 그리고 각 노드를 연결하는 선의 형태에 기반하여 다양한 특징값을 추출할 수 있으며, 이에 따라 각 노드에 대응하는 계좌의 속성을 결정할 수 있다.
일 실시 예에서, 컴퓨팅 장치(100)는 기 학습된 인공지능 모델을 활용하여 각각의 선에 대응하는 거래의 속성을 판단할 수 있다. 예를 들어, 노드 간 송금이 이루어졌을 때 이는 투자목적의 암호화폐 거래를 위한 송금일 수도 있고, 제품이나 서비스에 대한 대금을 지불하기 위한 송금일 수도 있고, 자산관리 혹은 탈세, 불법적인 자금 전달을 위한 송금일 수도 있다.
이를 판단하기 위하여, 컴퓨팅 장치(100)는 각 거래의 수량, 횟수, 빈도 및 시간에 대한 정보뿐 아니라, 해당 거래시점의 암호화폐 시세정보도 함께 활용할 수 있다. 암호화폐는 기존의 전통적인 화폐와 달리 그 가치가 시시각각 크게 변화할 수 있는 특성을 갖는다. 따라서, 암호화폐의 거래 시점의 시세정보를 함께 활용함으로써 실제로 송금된 금액의 가치를 판단할 수 있고, 이에 따라 거래의 속성을 판단할 수 있다.
예를 들어, 서로 다른 노드 간에 복수 회의 송금이 일어났는데, 암호화폐의 시세를 반영하여 산정된 송금액의 가치가 일정했다면, 이는 특정한 가치를 갖는 제품이나 서비스에 대한 대가를 지불한 것으로 판단할 수 있다. 반면, 암호화폐의 시세 변동에도 불구하고 일정한 수량의 암호화폐가 송금되고 있으면, 이는 실제 가치와 무관하게 송금이 발생한 것으로, 그 외의 목적을 가진 것으로 판단할 수 있다. 단, 송금목적은 구체적인 상황정보에 따라 다르게 평가될 수도 있으며, 상기한 예시로 그 판단기준이 제한되는 것은 아니다.
또한, 암호화폐 시세가 급변하는 상황에서 다수의 거래가 일어난 경우 이는 투자목적의 거래인 것으로 판단할 수도 있으며, 암호화폐 시세의 변화에 무관하게 일어난 거래는 투자와 거리가 있는 것(예: 개인의 복수 계좌 간 거래, 자산관리, 탈세 등)으로 판단할 수도 있다.
실시 예에 따라서, 상술한 바와 같이 각각의 노드 간을 연결하는 선은 기 설정된 규칙에 따라 시각화될 수 있으며, 컴퓨팅 장치(100)는 기 학습된 인공지능 모델을 이용하여 각 선이 나타내는 거래의 속성을 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 시각화된 각 선의 형태로부터 다양한 특징을 추출하고, 이에 대응하는 거래의 속성을 추정할 수 있다.
개시된 실시 예에서, 인공지능 모델은 시각화된 이미지와 각 이미지에 대응하는 해답(예: 계좌의 속성, 거래의 속성 등)에 대한 정보를 포함하는 학습 데이터와 딥 러닝 모델에 기반하여 학습된 것일 수 있으나, 이에 제한되는 것은 아니다.
다시 도 3을 참조하면, S130 단계에서, 컴퓨팅 장치(100)는 S120 단계에서 시각화된 암호화폐 거래 정보를 분석할 수 있고, S140 단계에서, 컴퓨팅 장치(100)는 S130 단계를 거쳐 도출된 시각화된 암호화폐 거래 정보 분석 결과에 기초하여 복수의 암호화폐 계좌 각각에 대한 속성을 결정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 기 학습된 인공지능 모델(예: 딥러닝 모델)을 이용하여 S120 단계에서 그래프 형태로 시각화된 암호화폐 거래 정보로부터 특징 값(feature)을 자동적으로 추출할 수 있고, 추출한 특징 값을 이용하여 복수의 암호화폐 계좌 각각의 속성을 결정할 수 있다. 예를 들어, 특징 값은 그래프의 전체적인 형태일 수 있으며, 컴퓨팅 장치(100)는 그래프 형태로 시각화된 암호화폐 거래 정보가 전체적으로 어떤 모양을 가지는지에 따라 그래프 상에 위치한 각각의 암호화폐 계좌가 어떤 역할을 수행하는 계좌인지를 판단할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시 예에서, 기 학습된 인공지능 모델은 그래프 형태로 시각화된 암호화폐 거래 정보 및 시각화된 암호화폐 거래 정보에 포함된 하나 이상의 노드에 대응하는 암호화폐 계좌의 속성이 레이블링된 학습 데이터에 기반하여 학습될 수 있다. 다른 예로, 기 학습된 인공지능 모델은 그래프 형태로 시각화된 암호화폐 거래 정보로부터 하나 이상의 노드에 대응하는 계좌의 속성을 클러스터링하고, 클러스터링된 계좌 각각의 속성정보를 입력받거나 자동으로 판단함으로써 암호화폐 계좌의 속성에 대한 분류를 수행할 수도 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보의 상태(예: 노드의 개수, 노드를 연결하는 선의 개수 등)에 기초하여 그래프 기반 반지도 학습 모델을 이용한 암호화폐 계좌의 속성 결정 방법, 계좌 주소 기반 지도 학습 모델을 이용한 암호화폐 계좌의 속성 결정 방법 및 소유자 기반 반지도 학습 모델을 이용한 암호화폐 계좌의 속성 결정 방법 중 어느 하나의 방법을 이용하여 암호화폐 계좌의 속성을 결정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 입력 데이터의 종류에 기초하여 그래프 기반 반지도 학습 모델, 계좌 주소 기반 지도 학습 모델 및 소유자 기반 반지도 학습 모델 중 어느 하나의 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정할 수 있다. 이하, 도 5 내지 9를 참조하여 설명하도록 한다.
도 5는 다양한 실시예에서, 노드 및 선의 개수에 따라 서로 다른 학습 모델을 이용하여 암호화폐 계좌를 분류하는 방법의 순서도이다.
도 5를 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보를 분석할 수 있다(예: 도 3의 S130).
S220 단계에서, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보에 포함된 복수의 노드의 개수와 기 설정된 제1 기준 값을 비교하여 복수의 노드의 개수가 기 설정된 제1 기준 값을 초과하는지 여부를 판단할 수 있다.
S230 단계에서, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보에 포함된 복수의 노드의 개수가 기 설정된 제1 기준 값을 초과하는 것으로 판단되는 경우, 그래프 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성 결정 방법을 이용하여 복수의 암호화폐 계좌 각각에 대한 속성을 결정할 수 있다. 이하, 도 6을 참조하여 설명하도록 한다.
도 6은 다양한 실시예에서, 그래프 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 6을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보에 있어서 상호 연결된 노드의 수가 많지 않은 경우, 그래프 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정할 수 있다.
그래프 기반 반지도 학습 모델은 그래프 형식으로 저장된 수백억 건의 암호화폐 거래 정보를 유의미한 정보로 가공할 수 있는 모델이며, 그래프로 변환된 암호화폐 거래 정보와 이로부터 자동으로 추출된 그래프의 특성을 분석(예: 딥러닝 분석)하여 암호화폐 계좌의 속성을 결정할 수 있는 모델일 수 있다. 예를 들어, 그래프 기반 반지도 학습 모델은 암호화폐 계좌에 대응되는 노드와 암호화폐 거래 정보를 나타내는 선의 특성을 심층 분석(예: 군집 묶기(clustering), 카테고리 분류(classification))하여 암호화폐 계좌의 속성을 결정하는데 있어서 필요한 정보를 도출할 수 있다. 또한, 그래프 기반 반지도 학습 모델은 적은 양의 정답 데이터를 이용하여 보다 높은 정확도를 가질 수 있도록 반지도 학습(Semi-supervised learning)이 적용된 모델일 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보에 포함된 복수의 노드의 개수가 기 설정된 제1 기준 값을 초과하는 것으로 판단되는 경우, 그래프 기반 반지도 학습 모델을 이용(예: 시각화된 암호화폐 거래 정보를 입력 값으로 이용)하여 복수의 노드가 선으로 연결된 형태(예: 그래프의 전체적인 형태)를 판단할 수 있고, 복수의 노드가 선으로 연결된 형태에 기초하여 암호화폐 계좌의 속성을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 그래프의 전체적인 형태가 거래소의 그래프 패턴을 가지는 경우, 해당 암호화폐 계좌의 속성을 거래소 계좌로 결정할 수 있다. 그러나, 이에 한정되지 않는다.
다시 도 5를 참조하면, S240 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 복수의 노드의 개수가 기 설정된 제1 기준 값 이하인 것으로 판단되는 경우, 복수의 노드 각각에 대한 선의 개수와 제2 기준 값을 비교하여 복수의 노드 각각에 대한 선의 개수가 제2 기준 값을 초과하는지 여부를 판단할 수 있다.
S250 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 복수의 노드의 개수가 기 설정된 제1 기준 값 이하인 것으로 판단되고, S240 단계를 거쳐 복수의 노드 각각에 대한 선의 개수가 제2 기준 값을 초과하는 것으로 판단되는 경우), 계좌 주소 기반 지도 학습 모델을 이용하여 암호화폐 계좌의 속성 결정 방법을 이용하여 복수의 암호화폐 계좌 각각에 대한 속성을 결정할 수 있다. 이하, 도 7을 참조하여 설명하도록 한다.
도 7은 다양한 실시예에서, 계좌 주소 기반 지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 7을 참조하면, 컴퓨팅 장치(100)는 시각화된 암호화폐 거래 정보에 있어서, 상호 연결된 노드의 수가 많지 않은 경우, 계좌 주소 기반 지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정할 수 있다.
계좌 주소 기반 지도 학습 모델은 개별 암호화폐 계좌를 기준으로 거래 패턴을 분석함으로써 각각의 암호화폐 계좌의 속성을 파악하는 모델일 수 있다. 계좌 주소 기반 지도 학습 모델은 상기의 방법을 거쳐 속성이 결정된 사전에 암호화폐 계좌 및 수작업을 통해 속성이 100% 확실한 암호화폐 계좌만을 이용하여 암호화폐 거래 패턴을 학습한 모델일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 선으로 연결된 복수의 노드의 개수가 제1 기준 값 이하이고, 복수의 노드 각각에 대한 선의 개수가 제2 기준 값을 초과하는 경우, 계좌 주소 기반 지도 학습 모델을 이용하여 복수의 암호화폐 계좌별 거래 이력에 따라 암호화폐 계좌 각각에 대한 거래 패턴을 분석하고, 분석한 거래 패턴에 기초하여 복수의 암호화폐 계좌 각각의 속성을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 암호화폐 계좌에 대한 거래 패턴이 파도 형태를 보이는 경우 해당 암호화폐 계좌의 속성을 ICO 계좌로 결정할 수 있고, 암호화폐 계좌에 대한 거래 패턴이 빈번하게 일어나는 형태를 보이는 경우 해당 암호화폐 계좌의 속성을 거래소 핫월렛 계좌로 결정할 수 있으며, 암호화폐 계좌에 대한 거래 패턴이 계단 형태를 보이는 경우 해당 암호화폐 계좌의 속성을 개인 계좌 및 거래소 콜드 월렛 계좌로 결정할 수 있고, 암호화폐 계좌에 대한 거래 패턴에서 입출금량이 동일한 형태를 보이는 경우 해당 암호화폐 계좌의 속성을 거래소 유저 월렛 계좌로 결정할 수 있다. 그러나, 이에 한정되지 않는다.
다시 도 5를 참조하면, S260 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 복수의 노드의 개수가 기 설정된 제1 기준 값 이하인 것으로 판단되고, S240 단계를 거쳐 복수의 노드 각각에 대한 선의 개수가 제2 기준 값 이하인 것으로 판단되는 경우, 소유자 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성 결정 방법을 이용하여 복수의 암호화폐 계좌 각각에 대한 속성을 결정할 수 있다. 이하, 도 8을 참조하여 설명하도록 한다.
도 8은 다양한 실시예에서, 소유자 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 8을 참조하면, 다양한 실시예에서, 컴퓨팅 장치(100)는 거래 패턴을 판단하기 위한 암호화폐 계좌 간의 거래 내역이 소수(예: 1개)인 경우, 소유자 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 속성을 결정할 수 있다.
소유자 기반 반지도 학습 모델은 암호화폐 계좌의 소유자를 기준으로 재분류된 암호화폐 거래 정보를 유의미한 정보로 가공하는 기술이며, 여러 개의 암호화폐 계좌의 소유자가 동일한 경우를 식별해 하나의 소유자로 재분류하는 소유자 휴리스틱 클러스터링(Entity Heuristic Clustering)을 통해 파악된 소유자의 거래 패턴을 학습한 모델일 수 있다. 소유자 기반 반지도 학습 모델은 적은 정답 데이터 만으로도 높은 정확도를 가지는 반지도 학습으로 각종 데이터를 학습한 모델일 수 있으며, 반지도 딥러닝 분석을 수행함으로써, 암호화폐 계좌의 속성을 결정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 선으로 연결된 복수의 노드의 개수가 제1 기준 값 이하이고, 복수의 노드 각각에 대한 선의 개수가 제2 기준 값 이하인 경우, 소유자 기반 반지도 학습 모델을 이용하여 암호화폐 계좌의 소유자를 기준으로 복수의 암호화폐 계좌 중 적어도 하나의 암호화폐 계좌를 그룹화하고, 그룹화된 적어도 하나의 암호화폐 계좌에서 발생된 암호화폐 거래 정보를 이용하여 그룹화된 적어도 하나의 암호화폐 계좌에 대한 패턴을 분석할 수 있으며, 그룹화된 적어도 하나의 암호화폐 계좌에 대한 패턴(예: 도 8)에 기초하여 그룹화된 적어도 하나의 암호화폐 계좌 각각에 대한 속성을 결정할 수 있다. 그러나, 이에 한정되지 않는다.
전술한 인공지능을 이용한 암호화폐 계좌 분류 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 인공지능을 이용한 암호화폐 계좌 분류 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 상술한 방법에 기반하여 획득된 각 블록들에 대응하는 암호화폐 계좌 속성에 기반하여 암호화폐의 자금 흐름을 추적하고, 이에 따른 불법 자금의 유통이나 자금 세탁 정보 등을 획득할 수 있다.
예를 들어, 암호화폐 분야의 자금 세탁 기술은 점차 발전하고 있으며 이에 따라 1회 송금 시 거래를 수천, 수만 건으로 쪼개어 일부를 각국의 다양한 거래소를 보내고, 거래소에 대포 통장을 개설하여 일부 거래를 경유하는 방식을 통한 거래소 경유 믹싱방법, 거래 시 수백 건의 수신자와 발신자를 복수로 기입하는 코인 조인(coin join) 방법 등이 이용되고 있다.
이에 따라 수동 데이터 수집 방식으로는 모든 거래량을 열람하는 것이 현실적으로 불가능하고, 범죄의 예방과 추적에 어려움이 존재한다. 개시된 실시 예에서는 상술한 계좌 속성 판단방법에 기반하여 믹서 계좌를 찾아내고, 믹서 계좌가 포함된 자금의 흐름은 불법적인 자금의 흐름인 것으로 판단하여 추적할 수 있다.
또한, 개시된 실시 예에 따른 컴퓨팅 장치(100)는 암호화폐 자금의 흐름정보에 기반하여 그 속성(예: 정상적인 흐름 및 불법적인 자금 흐름)을 판단하는 머신러닝 학습을 수행하고, 학습된 인공지능 모델을 이용하여 암호화폐 자금의 흐름정보에 대응하는 속성을 판단할 수도 있다.
예를 들어, 암호화폐 자금의 흐름정보는 상술한 시각화 방법에 기반하여 노드와 선으로 표현된 것일 수 있으나, 이에 제한되는 것은 아니다. 또한, 암호화폐 자금의 흐름정보는 각 노드에 대응하는 암호화폐 계좌의 속성정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. 다른 예로, 적어도 일부 혹은 전부의 노드에 대한 속성정보가 주어지지 않을 수도 있다.
컴퓨팅 장치(100)는 기 학습된 인공지능 모델을 이용하여 자금의 흐름정보에 따른 자금흐름의 속성을 판단할 수 있다. 더 구체적으로, 자금흐름의 속성은 자금세탁이나 탈세, 불법적인 재화나 서비스에 대한 결제 등의 불법적인 자금흐름의 속성을 포함할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 외부의 웹 사이트로부터 이미지 형태의 암호화폐 계좌 정보 및 하나 이상의 키워드를 수집하고 이를 이용하여 암호화폐 계좌의 속성을 결정할 수 있다. 이하, 도 9를 참조하여 설명하도록 한다.
도 9는 다양한 실시예에서, 웹사이트로부터 얻은 이미지 형태의 암호화폐 계좌 정보 및 키워드를 이용하여 암호화폐 계좌의 속성을 결정하는 구성을 도시한 도면이다.
도 9를 참조하면, 컴퓨팅 장치(100)는 외부의 웹 사이트로부터 이미지 형태의 암호화폐 계좌 정보 및 하나 이상의 키워드를 수집할 수 있고, 이미지 형태의 암호화폐 계좌 정보를 분석하여 텍스트 형태의 암호화폐 계좌 정보를 추출할 수 있으며, 하나 이상의 키워드를 분석하여 추출된 텍스트 형태의 암호화폐 계좌 정보에 대응되는 암호화폐 계좌의 속성을 결정할 수 있다.
일반적으로 암호화폐를 이용한 거래는 익명성을 중시하기 때문에 암호화폐 계좌의 주소를 이미지 형태로 저장하는 경우가 많다. 이때, 컴퓨팅 장치(100)는 이미지 형태의 암호화폐 계좌 정보를 탐색하고, 탐색된 이미지 형태의 암호화폐 계좌 정보로부터 텍스트 형태의 암호화폐 계좌를 추출(예: OCR 문자 판독 기술을 이용)할 수 있다.
또한, 컴퓨팅 장치(100)는 암호화폐 계좌 주소가 게시된 웹 사이트로부터 하나 이상의 주요 키워드를 추출할 수 있고, 추출된 키워드에 따라 텍스트 형태로 추출된 암호화폐 계좌에 대한 속성을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 암호화폐 계좌 주소가 게시된 웹 사이트로부터 추출된 키워드가 Drugs 및 Weeds인 경우, 텍스트 형태로 추출된 암호화폐 계좌의 속성을 암시장 계좌로 결정할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 불법 다크웹 사이트로부터 암호화폐와 관련된 정보를 수집하고, 이를 이용하여 암호화폐 계좌의 속성을 결정할 수 있다.
일반적으로, 다크웹 사이트는 접속을 위해 특정 프로그램을 사용해야 하는 웹을 가리키며 일반적인 방법으로 접속자나 서버를 확인할 수 없기 때문에 사이버상에서 범죄에 활용된다. 특히, 다크웹에서는 암호화폐를 결제 수단으로 사용하는 각종 불법 범죄가 성행한다. 이러한 불법 거래를 수행하는 암호화폐 계좌를 모니터링 하기 위해, 컴퓨팅 장치(100)는 기 저장된 다크웹(Darkweb) 접속 소프트웨어(Tor 브라우저 사용, *.onion으로 끝나는 도메인에 접속하는 소프트웨어)를 이용하여 외부의 다크웹 사이트를 접속하고, 기 설정된 주기마다 다크웹 사이트로부터 암호화폐와 관련된 정보를 자동적으로 수집하며, 다크웹 사이트로부터 수집된 암호화폐와 관련된 정보에 기초하여 복수의 암호화폐 계좌 각각의 속성을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 암호화폐 계좌 중 다크웹 사이트로부터 얻은 암호화폐 계좌 주소와 대응되는 암호화폐 계좌를 다크웹 계좌로 설정할 수 있다. 그러나, 이에 한정되지 않는다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 암호화폐 계좌 분류 장치(컴퓨팅 장치)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크
Claims (10)
- 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
복수의 암호화폐 계좌 간에 발생된 암호화폐 거래 정보를 수집하는 단계;
상기 수집한 암호화폐 거래 정보를 시각화하는 단계;
상기 시각화된 암호화폐 거래 정보를 분석하는 단계; 및
상기 시각화된 암호화폐 거래 정보의 분석 결과에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함하고,
상기 수집한 암호화폐 거래 정보를 시각화하는 단계는,
상기 복수의 암호화폐 계좌 각각에 대응되는 복수의 노드(Node)를 생성하는 단계; 및
상기 암호화폐 거래 정보에 기초하여, 상기 복수의 암호화폐 계좌 중 송금자의 암호화폐 계좌와 수금자의 암호화폐 계좌를 선(Edge)으로 연결하는 단계를 포함하며,
상기 선으로 연결하는 단계는,
상기 송금자의 암호화폐 계좌에서 상기 수금자의 암호화폐 계좌 방향으로 상기 선을 연결하며, 상기 연결된 선과 인접한 위치에 상기 암호화폐 거래 정보에 따른 거래 수량, 거래 횟수 및 거래 시간 정보를 출력하는 단계를 포함하고,
상기 시각화된 암호화폐 거래 정보를 분석하는 단계는,
기 학습된 제1 모델을 이용하여 상기 복수의 노드가 상기 선으로 연결된 형태를 판단하는 단계를 포함하며,
상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는,
상기 복수의 노드가 상기 선으로 연결된 형태에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함하고,
상기 시각화된 암호화폐 거래 정보를 분석하는 단계는,
상기 선으로 연결된 상기 복수의 노드의 개수가 제1 기준 값 이하인 경우, 기 학습된 제2 모델을 이용하여 상기 복수의 암호화폐 계좌 각각에 대한 거래 패턴을 분석하는 단계를 포함하며,
상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는,
상기 분석한 거래 패턴에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함하고,
상기 시각화된 암호화폐 거래 정보를 분석하는 단계는,
상기 복수의 노드 각각에 대한 선의 개수가 제2 기준 값 이하인 경우, 암호화폐 계좌의 소유자를 기준으로 상기 복수의 암호화폐 계좌 중 적어도 하나의 암호화폐 계좌를 그룹화 하는 단계; 및
상기 그룹화된 적어도 하나의 암호화폐 계좌에서 발생된 상기 암호화폐 거래 정보를 이용하여 상기 그룹화된 적어도 하나의 암호화폐 계좌에 대한 패턴을 분석하는 단계를 포함하며,
상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는,
상기 그룹화된 적어도 하나의 암호화폐 계좌에 대한 패턴에 기초하여 상기 그룹화된 적어도 하나의 암호화폐 계좌 각각에 대한 속성을 결정하는 단계를 포함하는,
인공지능을 이용한 암호화폐 계좌 분류 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 암호화폐 거래 정보를 수집하는 단계는,
외부의 웹 사이트로부터 이미지 형태의 암호화폐 계좌 정보 및 하나 이상의 키워드를 수집하는 단계를 포함하며,
상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는,
상기 이미지 형태의 암호화폐 계좌 정보를 분석하여 텍스트 형태의 암호화폐 계좌 정보를 추출하는 단계; 및
상기 하나 이상의 키워드를 분석하여 상기 추출된 텍스트 형태의 암호화폐 계좌 정보에 대응되는 암호화폐 계좌의 속성을 결정하는 단계를 포함하는,
인공지능을 이용한 암호화폐 계좌 분류 방법. - 제1항에 있어서,
상기 암호화폐 거래 정보를 수집하는 단계는,
기 저장된 다크웹(Darkweb) 접속 소프트웨어를 이용하여 외부의 다크웹 사이트를 접속하고, 기 설정된 주기마다 상기 다크웹 사이트로부터 암호화폐와 관련된 정보를 자동적으로 수집하는 단계를 포함하며,
상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는,
상기 다크웹 사이트로부터 수집된 상기 암호화폐와 관련된 정보에 기초하여 상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계를 포함하는,
인공지능을 이용한 암호화폐 계좌 분류 방법. - 제1항에 있어서,
상기 복수의 암호화폐 계좌 각각의 속성을 결정하는 단계는,
상기 복수의 암호화폐 계좌의 속성을 개인(Individual) 계좌, 환전(Exchanges) 계좌, 채굴자(Miners) 계좌, 믹서(Mixers) 계좌, 판매자(Merchant) 계좌, 서비스(Services) 계좌, 다크웹(Darkweb) 계좌 및 헤지펀드(Hedge funds) 계좌 중 어느 하나로 결정하는 단계를 포함하는,
인공지능을 이용한 암호화폐 계좌 분류 방법. - 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1 항의 방법을 수행하는, 장치. - 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200020776A KR102113347B1 (ko) | 2020-02-20 | 2020-02-20 | 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200020776A KR102113347B1 (ko) | 2020-02-20 | 2020-02-20 | 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102113347B1 true KR102113347B1 (ko) | 2020-05-21 |
Family
ID=70910285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200020776A KR102113347B1 (ko) | 2020-02-20 | 2020-02-20 | 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102113347B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102259838B1 (ko) * | 2020-09-21 | 2021-06-02 | 한성대학교 산학협력단 | 암호화폐 블랙리스트 구축 장치 및 방법 |
| KR20220116915A (ko) * | 2021-02-16 | 2022-08-23 | 주식회사 에스투더블유 | 가상화폐 트래킹 방법 및 그 장치 |
| US11443304B2 (en) | 2020-12-22 | 2022-09-13 | Korea Internet & Security Agency | Method and apparatus for identifying wallets associated with virtual asset service providers |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016033696A (ja) * | 2014-07-31 | 2016-03-10 | 慶司 杉本 | 商流図作成装置、商流図作成方法及び商流図作成プログラム |
| KR101852107B1 (ko) * | 2017-11-22 | 2018-04-25 | (주)유니스소프트 | 다크웹 범죄정보 분석 시스템 및 그 방법 |
| KR20190123952A (ko) | 2018-04-25 | 2019-11-04 | 주식회사 미콘커뮤니티 | 암호화폐 거래를 중개하는 시스템 및 방법 |
| KR20190128532A (ko) * | 2018-05-08 | 2019-11-18 | 한국과학기술원 | 암호화폐 계좌 분석 및 Remote Attestation을 활용한 안전한 암호화폐 거래 방법 |
| KR102051350B1 (ko) * | 2019-09-05 | 2019-12-03 | (주)에스투더블유랩 | 암호화폐 거래를 분석하기 위한 데이터 획득 방법 및 장치 |
| KR102058683B1 (ko) * | 2019-09-05 | 2019-12-23 | (주)에스투더블유랩 | 암호화폐 거래 분석 방법 및 장치 |
-
2020
- 2020-02-20 KR KR1020200020776A patent/KR102113347B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016033696A (ja) * | 2014-07-31 | 2016-03-10 | 慶司 杉本 | 商流図作成装置、商流図作成方法及び商流図作成プログラム |
| KR101852107B1 (ko) * | 2017-11-22 | 2018-04-25 | (주)유니스소프트 | 다크웹 범죄정보 분석 시스템 및 그 방법 |
| KR20190123952A (ko) | 2018-04-25 | 2019-11-04 | 주식회사 미콘커뮤니티 | 암호화폐 거래를 중개하는 시스템 및 방법 |
| KR20190128532A (ko) * | 2018-05-08 | 2019-11-18 | 한국과학기술원 | 암호화폐 계좌 분석 및 Remote Attestation을 활용한 안전한 암호화폐 거래 방법 |
| KR102051350B1 (ko) * | 2019-09-05 | 2019-12-03 | (주)에스투더블유랩 | 암호화폐 거래를 분석하기 위한 데이터 획득 방법 및 장치 |
| KR102058683B1 (ko) * | 2019-09-05 | 2019-12-23 | (주)에스투더블유랩 | 암호화폐 거래 분석 방법 및 장치 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102259838B1 (ko) * | 2020-09-21 | 2021-06-02 | 한성대학교 산학협력단 | 암호화폐 블랙리스트 구축 장치 및 방법 |
| US11443304B2 (en) | 2020-12-22 | 2022-09-13 | Korea Internet & Security Agency | Method and apparatus for identifying wallets associated with virtual asset service providers |
| US11842336B2 (en) | 2020-12-22 | 2023-12-12 | Korea Internet & Security Agency | Method and apparatus for identifying wallets associated with virtual asset service providers |
| KR20220116915A (ko) * | 2021-02-16 | 2022-08-23 | 주식회사 에스투더블유 | 가상화폐 트래킹 방법 및 그 장치 |
| KR102641486B1 (ko) * | 2021-02-16 | 2024-02-27 | 주식회사 에스투더블유 | 가상화폐 트래킹 방법 및 그 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11810204B2 (en) | Artificial intelligence transaction risk scoring and anomaly detection | |
| US11687938B1 (en) | Reducing false positives using customer feedback and machine learning | |
| De Roux et al. | Tax fraud detection for under-reporting declarations using an unsupervised machine learning approach | |
| KR102142524B1 (ko) | 인공지능을 이용한 암호화폐 가격 변동성 예측 방법, 장치 및 컴퓨터프로그램 | |
| US20190311367A1 (en) | System and method for using a data genome to identify suspicious financial transactions | |
| US20190259033A1 (en) | System and method for using a data genome to identify suspicious financial transactions | |
| Wang et al. | Ponzi scheme detection via oversampling-based long short-term memory for smart contracts | |
| KR102113347B1 (ko) | 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 | |
| Stabek et al. | The seven scam types: mapping the terrain of cybercrime | |
| KR102110266B1 (ko) | 인공지능을 이용한 암호화폐 탈세 여부 판단 방법, 장치 및 컴퓨터프로그램 | |
| CN115943406A (zh) | 基于身份图的欺诈检测系统和方法 | |
| JP7372707B2 (ja) | 暗号通貨取引を分析するためのデータ取得方法及び装置 | |
| CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
| WO2023045691A1 (zh) | 对象识别方法、装置、电子设备及存储介质 | |
| Barman et al. | A complete literature review on financial fraud detection applying data mining techniques | |
| KR20210106602A (ko) | 인공지능을 이용한 암호화폐 가격 변동성 예측 방법, 장치 및 컴퓨터프로그램 | |
| Luell | Employee fraud detection under real world conditions | |
| Sigetova et al. | RECENT TRENDS IN THE FINANCIAL CRIME OF THE WORLD. | |
| Reddy et al. | CNN-Bidirectional LSTM based Approach for Financial Fraud Detection and Prevention System | |
| KR102112798B1 (ko) | 인공지능을 이용한 암호화폐 계좌의 클러스터링 방법, 장치 및 컴퓨터프로그램 | |
| KR20210106592A (ko) | 인공지능을 이용한 암호화폐 계좌 분류 방법, 장치 및 컴퓨터프로그램 | |
| Kapoor | Deception Detection And Vulnerability Analysis Using A Multi-Level Clustering Machine Learning Algorithm In Business Transactions | |
| US11561963B1 (en) | Method and system for using time-location transaction signatures to enrich user profiles | |
| KR20210106593A (ko) | 인공지능을 이용한 암호화폐 탈세 여부 판단 방법, 장치 및 컴퓨터프로그램 | |
| Adam et al. | Anomaly Detection on Distributed Ledger Using Unsupervised Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |