KR20210096364A - 가상자산 부정 거래 탐지 시스템 및 방법 - Google Patents

가상자산 부정 거래 탐지 시스템 및 방법 Download PDF

Info

Publication number
KR20210096364A
KR20210096364A KR1020200009707A KR20200009707A KR20210096364A KR 20210096364 A KR20210096364 A KR 20210096364A KR 1020200009707 A KR1020200009707 A KR 1020200009707A KR 20200009707 A KR20200009707 A KR 20200009707A KR 20210096364 A KR20210096364 A KR 20210096364A
Authority
KR
South Korea
Prior art keywords
transaction
data
code
type
virtual asset
Prior art date
Application number
KR1020200009707A
Other languages
English (en)
Other versions
KR102367223B1 (ko
Inventor
김성진
채현호
Original Assignee
(주)인프라케이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)인프라케이 filed Critical (주)인프라케이
Priority to KR1020200009707A priority Critical patent/KR102367223B1/ko
Publication of KR20210096364A publication Critical patent/KR20210096364A/ko
Application granted granted Critical
Publication of KR102367223B1 publication Critical patent/KR102367223B1/ko

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • 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
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/36—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes
    • G06Q20/367—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes
    • G06Q20/3678—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes e-cash details, e.g. blinded, divisible or detecting double spending
    • 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
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • 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
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/42—Confirmation, e.g. check or permission by the legal debtor of payment

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 가상자산 부정 거래 탐지 시스템(1) 및 방법(S1)에 관한 것으로, 더욱 상세하게는 가상자산 온라인 거래 시 자금세탁과 이상 거래 등 부정 거래로 인지되는 거래 내역을 인공지능 기반 솔루션으로 탐지함으로써 부정 거래에 대한 근본적인 해결책을 제시하는 시스템 및 방법에 관한 것이다.

Description

가상자산 부정 거래 탐지 시스템 및 방법{VIRTUAL ASSET FRAUD DETECTION SYSTEM AND METHOD THEREOF}
본 발명은 가상자산 부정 거래 탐지 시스템(1) 및 방법(S1)에 관한 것으로, 더욱 상세하게는 가상자산 온라인 거래 시 자금세탁과 이상 거래 등 부정 거래로 인지되는 거래 내역을 인공지능 기반 솔루션으로 탐지함으로써 부정 거래에 대한 근본적인 해결책을 제시하는 시스템 및 방법에 관한 것이다.
블록체인 기술은 탈중앙화 네트워크 방식을 통하여 제3의 중계기관 없이 거래 당사자 간 거래가 가능함으로써 당사자 간 거래 행위에 대한 높은 신뢰성을 부여하고, 기존 거래하지 못하던 유무형의 자산에 대한 거래를 가능하게 하는 핵심기술분야에 해당한다.
블록체인 기술로 개발 및 운영되는 탈중앙화된 분산형 컴퓨팅 시스템은 다양한 목적으로 자신만의 가상자산을 발행할 수 있고, 해당 가상자산은 로열티 마케팅, 투자자 모집, 이익 분배 등 관련 생태계 전반을 이끌어 가는 핵심요소가 되어 가고 있다. 발행된 가상자산은 주식거래와 유사한 형태로, 거래소를 통해 유통되고 있으므로 해당 가상자산 거래소는 기술개발자와 투자자를 연결해 주는 주요 기능을 수행하고 있다.
그러나, 가상자산 거래소는 2019년 6월 국제자금세탁방지기구(FATF)가 규제 가이드 라인을 제시하고 세계 각국이 제도화하기 전까지는 법적인 감시 수단도 미비하였을 뿐만 아니라, 누구든지 쉽게 설립 및 운영이 가능함으로써 국내에만 대략 200여 개의 가상자산 거래소가 난립하여 이용자의 신뢰성 확보 미비, 해킹 등 보안 문제 발생 등 다양한 사회적 문제에 그대로 노출되어 있으며, 현재까지 이에 대한 별도의 해결방안이 마련되고 있지 않은 실정이다.
이와 같은 문제를 해결하기 위하여, 우리나라도 가상자산 거래소에 대한 국제 가이드라인에 맞춰 특금법이 제정되어 국회 통과를 눈 앞에 두고 있고, FATF 역시 각국의 제도화와 관련하여 2020년 6월까지 유예기간을 설정하고 있다.
이하에서는, 가상자산 거래에 있어서, 자금세탁방지 및 이상금융거래 방지 관련하여 발생 가능한 문제점에 대하여 상세히 설명하도록 한다.
첫째 특금법 통과에 따른 자금세탁 방지에 대한 예상 문제점을 살펴본다. 지금까지 우리나라 은행은 자금세탁 관련 의심 거래 보고를 금융정보분석원(FIU)에 하고 있으나, 상세분석까지 완료한 것은 2018년 기준 2.7%에 불과하다. 기준 금융권에는 자금세탁방지 관련 법적 제도화가 되어 있었으나 보고 건수 대비 대략 97%에 대해서는 상세분석을 하지 않은 것을 알 수 있다. 그 상세한 이유로는 인력 부족을 들고 있으나 폭증하는 보고 건수 분석을 정해진 인력으로 해결하는 것은 실질적으로 불가능한 것이 현실이다. 따라서, 관련법의 실효성을 위하여 가상자산 거래소는 인공지능 기술을 이용하여 자금 세탁 이슈를 100% 분석할 수 있는 솔루션 개발이 필요한 실정이다.
둘째, 지난 몇 년 간 국내 가상자산 거래소의 투자자 피해 현황을 살펴본다. 가상자산 거래소를 통한 거래 시 이용자 피해는 현재까지도 끊임없이 발생하고 있다. 가장 큰 피해 원인으로는 가상자산 거래소 내부 운영자의 규정준수 위반이다. 지금까지 거래소 해킹과 같은 보안 문제로 대외에 발표된 사건도 투자자의 거래소 입출금을 제한한 후 내부자 시세 조작 사건으로 판명된 사건이 다수 있었다. 또한, 보안 문제로 인한 해킹 피해는 보안 시스템 강화로 해결 가능하나, 내부 운영자 규정준수 위반은 담당 인력의 실시간 모니터링만으로는 쉬이 해결 불가능한 문제가 있다.
이와 같은 문제점들을 해결하기 위하여, 본 발명의 발명자들은 인공지능 솔루션 기반 가상 자산의 부정거래 행위를 탐지하여 안전한 거래질서 성립을 가능하도록 하는 신규의 가상자산 부정 거래 탐지 시스템 및 방법에 대하여 제시하고자 한다.
국내등록특허 제10-1961899호 '가상화폐와 명목화폐 간의 환율을 고려한 가상화폐 자동 결제 서비스 제공 방법'
앞서 본 종래 기술의 문제점을 해결하기 위하여 안출된 것으로,
본 발명은 가상자산 온라인 거래 시 부정 거래로 의심되는 거래 내역을 인공지능 솔루션 기반으로 탐지함으로써, 해당 부정 거래 내역 여부를 판단하는 것에 대한 인적 오류 발생을 미연에 방지 가능하도록 하는 가상자산 부정 거래 탐지 시스템을 제공하는데 그 목적이 있다.
또한, 본 발명은, 전술한 바와 같이, 가상자산 부정 거래를 인공지능 솔루션 기반으로 탐지함으로써, 해당 가상자산을 거래하는 이용자에게 거래의 신뢰감 부여를 향상시키도록 하는 가상자산 부정 거래 탐지 시스템을 제공하는데 그 목적이 있다.
또한, 본 발명은 가상자산 부정 거래를 자금 세탁 행위 및 이상 거래 행위 2가지 거래 행위 유형으로 탐지함으로써 정교하고도 객관적인 가상자산 부정 거래 탐지 시스템을 제공하는데 그 목적이 있다.
또한, 본 발명은 인공지능에 의하여 생성되는 판단 모델 생성부에 따라 입력 데이터에 대응되는 거래 행위에 제2 코드 별 가중치 점수를 부여하고, 부여된 가중치 점수가 개별 제2 코드 별 기준 점수 이상 또는 이하 또는 초과 또는 미만인 경우에만 해당 입력 데이터에 매칭되는 특정 제2 코드(들)을 부여하며, 그 후 입력 데이터에 부여된 제2 코드(들)과 매칭되는 제1 코드(들)을 부여한 이후 해당 제1 코드(들)과 매칭되는 부정 거래 행위 유형을 판단함으로써, 부정거래 행위 유형에 대한 정확한 판단이 가능하도록 하는 가상자산 부정 거래 탐지 시스템을 제공하는데 그 목적이 있다.
또한, 본 발명은 입력 데이터와 매칭되는 제1 코드(들)과 매칭되는 구체적인 부정 거래 행위인 결과내용을 사용자 단말기에 디스플레이 함으로써 사용자가 구체적인 부정 거래 내용에 대한 용이한 판단을 가능하도록 하는 가상자산 부정 거래 탐지 시스템을 제공하는데 그 목적이 있다.
본 발명은 앞서 상술한 목적을 달성하기 위하여 다음과 같은 구성을 가진 실시예에 의하여 구현될 수 있다.
본 발명의 일 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템은 입력되는 데이터 세트 중 가상 자산의 거래에 의해 생성 또는 업데이트 되는 트랜잭션 데이터 및 레이블 정보를 추출하는 데이터 추출부; 부정 거래 행위의 개별 유형이 각각의 제1 코드로 분류되어 정의되는 문제 유형 생성부; 상기 데이터 추출부로부터 추출된 데이터를 토대로 인공지능을 기반으로 하는 학습을 수행하여, 가상 자산 거래 행위의 개별 유형을 각각의 제2 코드로 분류하는 판단 모델을 생성하는 판단 모델 생성부; 및 상기 판단 모델 생성부에 의하여 제2 코드가 부여된 행위 유형에 따라 입력 데이터에 따른 거래 행위와 매칭되는 특정 제2 코드를 부여한 이후, 상기 입력 데이터에 부여된 제2 코드와 매칭되는 제1 코드를 도출하여 상기 입력 데이터에 따른 거래 행위의 부정 거래 행위 유형을 제시하는 결과 도출부;를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 판단 모델 생성부는 상기 데이터 추출부로부터 추출된 블록체인 P2P 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 레이블 정보를 가공하는 데이터 생성부; 및 상기 데이터 생성부에 의하여 가공되는 데이터 및 상기 문제 유형 생성부에 따른 부정 거래 행위 유형 기준을 학습 데이터로 활용하여 개별 거래 행위 유형 별 제2 코드를 부여하여 거래 행위 유형들을 분류하는 제1 모델을 생성하는 제1 모델 생성부;를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 판단 모델 생성부는 상기 데이터 추출부로부터 추출된 거래소 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 거래소 이용자의 개인 정보 데이터 및/또는 레이블 정보를 가공하는 데이터 생성부; 및 상기 데이터 생성부에 의하여 가공되는 데이터 및 상기 문제 유형 생성부에 따른 부정 거래 행위 유형 기준을 학습 데이터로 활용하여 개별 거래 행위 유형 별 제2 코드를 부여하여 거래 행위 유형들을 분류하는 제2 모델을 생성하는 제2 모델 생성부;를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 데이터 생성부는 상기 판단 모델 생성부는 상기 데이터 추출부로부터 추출된 거래소 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 레이블 정보를 추가로 가공하고, 상기 판단 모델 생성부는 상기 데이터 생성부에 의하여 가공되는 거래소 거래에 따른 트랜잭션 데이터, 블록 데이터, 거래소 이용자의 개인 정보 데이터, 레이블 정보 및 상기 문제 유형 생성부에 따른 부정 거래 행위 유형 기준을 학습 데이터로 활용하여 개별 거래 행위 유형 별 제2 코드를 부여하여 거래 행위 유형들을 분류하는 제2 모델을 생성하는 제2 모델 생성부; 및 상기 제1 모델 생성부 및/또는 제2 모델 생성부의 개별 제2 코드 별 분류되는 거래 행위유형 별 가중치 기준을 설정하는 가중치 기준 설정모듈;을 추가로 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 문제 유형 생성부는 부정 거래 행위 중 자금 세탁 행위 유형에 대하여 분류하고, 분류된 개별 자금 세탁 행위 유형마다 제1 코드를 부여하는 제1 유형 분류부; 및 상기 부정 거래 행위 중 이상 거래 행위 유형에 대하여 분류하고, 분류된 개별 이상 거래 행위 유형마다 제1 코드를 부여하는 제1 유형 분류부;를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 결과 도출부는 상기 입력 데이터와 대응되는 거래 행위가 제1 모델 생성부 및/또는 제2 모델 생성부에 의하여 분류된 각각의 제2 코드와 매칭되는 거래 행위 유형에 해당 여부를 판단하기 위하여, 상기 입력 데이터와 대응되는 거래 행위에 대해 개별 제2 코드 별 가중치/점수를 부여하는 가중치 부여모듈;을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 가중치 부여모듈은 상기 입력 데이터에 따른 거래 행위가 상기 가중치 기준 설정모듈을 통하여 학습된, 제2 코드 별 기 설정된 기준 점수 이상 또는 이하 또는 초과 또는 미만에 해당 시, 상기 입력 데이터에 대하여, 상기 기준 점수에 부합하는 특정 제2 코드를 부여하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 결과 도출부는 상기 입력 데이터에 따른 거래 행위에 제2 코드 부여 시, 상기 부여된 제2 코드와 매칭되는 부정 거래 행위 유형인, 문제 유형 생성부에 따른 제1 코드를 매칭하는 매칭 모듈;을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 매칭 모듈은 상기 입력 데이터에 부여된 제1 코드와 제2 코드를 매칭하여, 상기 입력 데이터에 따른 거래 행위에 대하여, 정상 거래 또는 부정 거래 행위인지 판별하고, 부정 거래 행위에 해당 시 자금 세탁 행위 또는 이상 거래 행위 유형인지 결과를 도출하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 의하면, 본 발명에 따른 가상자산 부정 거래 탐지 시스템에 구비되는 상기 결과 도출부는 상기 입력 데이터에 매칭된 제1 코드와 매칭되는 결과 내용을 사용자 단말기 등의 디스플레이를 통하여 확인하도록 하는 결과내용 제시모듈;을 포함하며, 상기 결과 내용은 제1 코드 별 매칭되어 기 설정되는 것을 특징으로 한다.
본 발명은 앞서 본 구성에 의하여 다음과 같은 효과를 가진다.
본 발명은 가상자산 온라인 거래 시 부정 거래로 의심되는 거래 내역을 인공지능 솔루션 기반으로 탐지함으로써, 해당 부정 거래 내역 여부를 판단하는 것에 대한 인적 오류 발생을 미연에 방지 가능하도록 하는 효과가 있다.
또한, 본 발명은, 전술한 바와 같이, 가상자산 부정 거래를 인공지능 솔루션 기반으로 탐지함으로써, 해당 가상자산을 거래하는 이용자에게 거래의 신뢰감 부여를 향상시키도록 하는 효과를 가진다.
또한, 본 발명은 가상자산 부정 거래를 자금 세탁 행위 및 이상 거래 행위 2가지 거래 행위 유형으로 탐지함으로써 정교하고도 객관적인 가상자산 부정 거래 탐지 시스템을 제공하는 효과가 도출된다.
또한, 본 발명은 인공지능에 의하여 생성되는 판단 모델 생성부에 따라 입력 데이터에 대응되는 거래 행위에 제2 코드 별 가중치 점수를 부여하고, 부여된 가중치 점수가 개별 제2 코드 별 기준 점수 이상 또는 이하 또는 초과 또는 미만인 경우에만 해당 입력 데이터에 매칭되는 특정 제2 코드(들)을 부여하며, 그 후 입력 데이터에 부여된 제2 코드(들)과 매칭되는 제1 코드(들)을 부여한 이후 해당 제1 코드(들)과 매칭되는 부정 거래 행위 유형을 판단함으로써, 부정거래 행위 유형에 대한 정확한 판단이 가능하도록 하는 효과를 나타낸다.
또한, 본 발명은 입력 데이터와 매칭되는 제1 코드(들)과 매칭되는 구체적인 부정 거래 행위인 결과내용을 사용자 단말기에 디스플레이 함으로써 사용자가 구체적인 부정 거래 내용에 대한 용이한 판단을 가능하도록 하는 효과를 창출할 수 있다.
또한 상기에 기재되지 않은 효과라 할지라도 본 명세서 내용에 의하여 당업자가 용이하게 도출 가능한 효과는 본 발명의 진보성 판단에 참고되어야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 가상자산 부정 거래 탐지 시스템에 대한 블럭도이고;
도 2는 도 1에 따른 데이터 추출부에 대한 블럭도이고;
도 3은 도 1에 따른 문제 유형 생성부에 대한 블럭도이고;
도 4는 도 3에 따른 제1 유형 분류부에 의하여 분류된 자금 세탁 행위 유형 별 분류되는 제1 코드에 대한 테이블 세트이고;
도 5는 도 3에 따른 제2 유형 분류부에 의하여 분류된 이상 거래 행위 유형 별 분류되는 제1 코드에 대한 테이블 세트이고;
도 6은 도 1에 따른 판단 모델 생성부에 대한 블럭도이고;
도 7은 도 6에 따른 제1 모델 생성부에 의하여 분류된 자금 세탁 행위 유형 별 분류되는 제2 코드에 대한 테이블 세트이고;
도 8은 도 6에 따른 제2 모델 생성부에 의하여 분류된 이상 거래 행위 유형 별 분류되는 제2 코드에 대한 테이블 세트이고;
도 9는 도 1에 따른 결과 도출부에 대한 블럭도이고;
도 10은 도 9에 따른 가중치 부여모듈 동작 내용에 대한 개략적인 참고도이고;
도 11은 도 9에 따른 매칭 모듈 동작 내용에 대한 개략적인 참고도이고;
도 12는 도 9에 따른 결과 내용 제시모듈 동작 내용에 대한 개략적인 참고도이고;
도 13은 본 발명의 일 실시예에 따른 가상자산 부정 거래 탐지 방법에 대한 흐름도이다.
이하, 본 발명의 실시예를 첨부된 도면들을 참조하여 더욱 상세하게 설명한다. 본 발명의 실시예는 다양한 형태로 변형할 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것으로 해석되어서는 안 되며 청구범위에 기재된 사항을 기준으로 해석되어야 한다. 또한, 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 참고적으로 제공되는 것일 뿐이다.
본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및 /또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.
본 명세서에 있어서 '부'란, 하드웨어에 의하여 실현되는 유닛, 소프트웨어에 의하여 실현되는 유닛, 양 구성을 이용하여 실현되는 유닛을 모두 포함하는 개념이다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현될 수도, 2개 이상의 유닛이 1개의 하드웨어에 의하여 실현될 수도 있고 이에 별도의 제한이 있는 것은 아니다.
본 명세서에서 단말, 장치 또는 디바이스가 수행되는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 그리고, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
또한, 이하에서 '제1' 및 '제2'의 구성을 사용하는 경우, 각각의 구성은 독립적이며 '제2'의 구성이 '제1'의 구성을 필수적으로 전제하는 것은 아님에 유의하여야 한다.
그리고, 본 명에서에서 사용하는 용어 '및/또는'은 열거된 항목 중 어느 하나 및 둘 이상의 모든 조합을 포함하는 개념으로 이해한다.
도 1은 본 발명의 일 실시예에 따른 가상자산 부정 거래 탐지 시스템에 대한 블럭도이다.
이하에서는 첨부된 도면들을 참고하여 본 발명의 일 실시예에 따른 가상자산 부정 거래 탐지 시스템에 대하여 상세히 설명하도록 한다.
도 1을 참고하면, 본 발명은 가상자산 부정 거래 탐지 시스템(1)에 관한 것으로, 더욱 상세하게는 가상자산 온라인 거래 시 자금세탁과 이상 거래 등 부정 거래로 인지되는 거래 내역을 인공지능 기반 솔루션으로 탐지함으로써 부정 거래에 대한 근본적인 해결책을 제시하는 시스템에 관한 것이다.
이를 위하여 부정 거래 탐지 시스템(1)은 데이터 추출부(10), 문제 유형 생성부(30), 판단 모델 생성부(50) 및 결과 도출부(70)를 포함할 수 있다.
도 2는 도 1에 따른 데이터 추출부에 대한 블럭도이다.
도 1 및 도 2를 참고하면, 데이터 추출부(10)는 가상자산의 매도인과 매수인 간 또는 이용자간 블록체인 P2P 거래 및/또는 가상자산 거래소를 통한 거래를 통해 생성 또는 업데이트 되는 트랜잭션 데이터 및/또는 블록 데이터 및/또는 거래소 거래 시 이용자들의 개인정보 데이터를 추출하여 후술할 판단모델 생성부(50)가 딥러닝 등 데이터 학습을 할 수 있도록 하는 구성이다. 상세하게는, 데이터 추출부(10)는 복수의 데이터로 이루어지는 데이터 세트를 수신하고 필요 데이터를 추출하여 후술할 판단 모델 생성부(50)가 인공지능 딥러닝을 통하여 적정 판단 모델을 생성하도록 하는 구성이다.
이를 위하여, 데이터 추출부(10)는 데이터 추출모듈(110) 및 데이터 분류모듈(130)을 포함할 수 있다.
데이터 추출모듈(110)은, 전술한 바와 같이, 복수의 데이터로 이루어지는 데이터 세트를 수신하여 트랜잭션 데이터 및/또는 블록 데이터 및/또는 개인정보 관련 데이터 및/또는 레이블 정보 등 필요 데이터를 추출하는 구성이다. 상기 레이블 정보는 입력 데이터를 통하여 도출하고자 하는 정보일 수 있다. 예를 들어, 본 발명의 일 실시예에 따른 부정거래 탐지 시스템(1)에서의 레이블 정보는 자금 세탁 및/또는 이상 거래 등을 포함하는 부정 거래 여부일 수 있다.
데이터 분류모듈(130)은 데이터 추출모듈(110)을 통하여 추출된 가상자산 거래 등에 대한 세부 데이터를 기반으로 정상 거래 및 부정 거래를 분류하는 구성이다. 예를 들어 용어 '부정 거래'는 '자금 세탁' 행위 뿐만 아니라, 자전거래, 시세조작 행위 또는 기록이 남지 않는 거래 등의 '이상 거래' 내용을 모두 포함하는 개념일 수 있다. 다만, 이는 예시적인 것일 뿐이며 본 발명의 범위가 이에 제한되는 것은 아니다.
따라서, 데이터 분류모듈(130)은 데이터 추출모듈(110)을 통해 추출된 데이터를, 정상 거래 및 부정 거래 데이터로 분류하며, 더욱 상세하게는 부정 거래 데이터를 자금 세탁 행위 및 이상 거래 행위로 분류할 수 있다. 상기 데이터 분류모듈(130)은 실질적으로 데이터 추출모듈(110)을 통하여 수행될 수도 있고 이에 별도의 제한이 있는 것은 아니다.
도 3은 도 1에 따른 문제 유형 생성부에 대한 블럭도이고; 도 4는 도 3에 따른 제1 유형 분류부에 의하여 분류된 자금 세탁 행위 유형 별 분류되는 제1 코드에 대한 테이블 세트이고; 도 5는 도 3에 따른 제2 유형 분류부에 의하여 분류된 이상 거래 행위 유형 별 분류되는 제1 코드에 대한 테이블 세트이다.
도 1 및 도 3을 참고하면, 문제 유형 생성부(30)는 후술할 제2 코드들(C2) 중 대응되는 특정 제2 코드(들)(C2)가 부여된 특정 입력 데이터에 대한 부정 거래 여부 결과를 도출하기 위해, 각각의 부정 거래 행위 유형을 제1 코드(C1)로 분류하는 구성이다. 상기 문제 유형 생성부(30)는 사용자에 의하여 기 설정되어 있다. 이를 위하여, 문제 유형 생성부(30)는 제1 유형 분류부(310), 제2 유형 분류부(330)을 포함할 수 있다.
제1 유형 분류부(310)도 부정 거래 행위 중 자금 세탁 행위에 대한 구체적인 개별 유형에 대하여 분류하고, 분류된 개별 행위 유형마다 제1 코드(C1)를 부여하는 구성이다. 이러한 각각의 제1 코드(C1)는 자금 세탁 행위의 개별 유형마다 상이한 문자, 숫자 또는 문자 및 숫자의 조합 등 다양한 형태로 설정되는 것이 바람직하다.
또한, 제2 유형 분류부(330)는 부정 거래 행위 중 이상 거래 행위 유형에 대한 구체적인 개별 행위 유형에 대하여 분류하며, 분류된 개별 행위 유형마다 제1 코드(C1)를 부여하는 구성이다. 제2 유형 분류부(330)에 의하여 분류되는 개별 제1 코드(C1)는 개별 이상 거래 행위 유형마다 상이하게 설정되며 제1 유형 분류부(310)에 의하여 부여되는 제1 코드(C1)와도 상이하게 설정되는 것이 바람직하다. 또한, 제2 유형 분류부(330)에 의하여 부여되는 제1 코드(C1) 역시 이상 거래 행위의 개별 유형마다 상이한 문자, 숫자 또는 문자 및 숫자의 조합 등 다양한 형태로 설정되는 것이 바람직하다.
예를 들어, 도 4를 참고하면, 제1 유형 분류부(310)는 자금 세탁의 경우, '고액 가상 자산 거래'에 대해서는 'Ap01'의 제1 코드(C1)가, '주기적인 거래 후 지갑 주소에 최소한의 가상 자산만 유지되어 있는 빈 가상 자산 유지'의 경우에는 'Ap02'의 제1 코드(C1)를 부여할 수 있다.
또한, 도 5를 참고하면, 제2 유형 분류부(330)는 이상 거래의 경우, '자전거래'에 해당 시 'Fp01' 제1 코드(C1)가, '시세 조작'의 경우 'Fp02' 제1 코드(C1)가 부여할 수 있으며, 상세한 내용은 특정 예시에 의하여 제한되는 것은 아니다. 따라서, 제1 유형 분류부(310) 및 제2 유형 분류부(330)를 통하여 어떠한 유형의 거래 행위가 자금 세탁 행위인지 이상 거래 행위인지 분류하고, 개별 행위 유형마다 서로 상이한 제1 코드(C1)를 부여하여 분류한다.
도 6은 도 1에 따른 판단 모델 생성부에 대한 블럭도이고; 도 7은 도 6에 따른 제1 모델 생성부에 의하여 분류된 자금 세탁 행위 유형 별 분류되는 제2 코드에 대한 테이블 세트이고; 도 8은 도 6에 따른 제2 모델 생성부에 의하여 분류된 이상 거래 행위 유형 별 분류되는 제2 코드에 대한 테이블 세트이다.
도 1 및 도 6을 참고하면, 판단 모델 생성부(50)는 데이터 추출부(10)로부터 추출된 세부 데이터를 활용하여 인공지능 기반 판단 모델을 생성하는 구성으로, 이를 위하여 데이터 생성부(510), 제1 모델 생성부(530), 제2 모델 생성부(550), 가중치 기준 설정모듈(570)을 포함할 수 있다.
이러한 판단 모델 생성부(50)는 데이터 추출부(10)를 통하여 지속적으로 신규 추출되는 데이터가 데이터 생성부(510)를 통해 입력되어 계속 하여 업데이트/업그레이드될 수 있음에 유의하여야 한다.
데이터 생성부(510)는 데이터 추출부(10)를 통하여 추출되는 트랜잭션 데이터 및/또는 블록 데이터 및/또는 개인정보 관련 데이터 및/또는 레이블 정보 등 필요 데이터를 가공함으로써, 후술할 제1 모델 생성부(510) 및/또는 제2 모델 생성부(530)가 판단 모델을 생성할 수 있도록 하는 전단계의 구성이다. 예를 들어, 블록체인 P2P 거래에 대한 판단 모델을 생성하는 제1 모델 생성부(530)는 블록체인 P2P 거래에 따른 트랜잭션 데이터, 블록 데이터를 활용하여 제1 모델을 생성하며, 거래소 거래에 대한 판단 모델을 생성하는 제2 모델 생성부(550)는 거래소 거래에 따른 트랜잭션 데이터, 블록 데이터 및 거래소 이용자의 개인정보 데이터를 활용하여 제2 모델을 생성할 수 있다.
제1 모델 생성부(530)는 블록체인 P2P 거래에 대한 트랜잭션 데이터, 블록 데이터 및 레이블 정보와 함께, 필요한 경우 문제 유형 생성부(30)에 따른 부정 거래 행위 기준을 함께 학습 데이터로 활용함으로써, 입력 데이터에 대응되는 거래 행위 유형의 분류하기 위한 기준을 제시하는 구성이다.
더욱 상세하게는, 도 7을 참고하면, 제1 모델 생성부(530)는 구체적인 블록체인 P2P 거래 행위 유형을 분류하고, 상기 거래 행위 유형마다 제2 코드(C2)를 부여하여 분류할 수 있다. 예시적으로 도 7과 같은 블록체인 P2P 거래 행위 유형마다 제2 코드(C2)가 부여되는 테이블 세트를 생성한다. 예를 들어, '일정 기간에 갑작스런 2등급의 변화를 탐지함' 행위 유형에는 'BcAI01' 제2 코드(C2)가, '일정 기간에 일억 가상 자산의 변화가 감지'된 행위 유형에는 'BcAI02' 제2 코드(C2)가, '일정 기간에 십억 가상 자산의 변화가 감지'된 행위 유형에는 'BcAI03' 제2 코드(C2)를 부여하는 테이블 세트를 생성한다.
따라서, 하기에서 상세히 설명하겠지만, 특정인의 가상 자산 지갑에서 일정 기간 내 가상 자산 갯수에 급격한 변화가 발생하는 경우, 후술할 구성들에 의하여 개별 제2 코드(C2) 별 거래 행위 유형에 매칭되는지 판단하여, 입력 데이터에 대응되는 행위 유형과 매칭되는 특정 제2 코드(C2)를 부여할 수 있다. 이러한 구체적인 거래 행위 유형 내용 및 제2 코드(C2)의 네이밍은 임의적인 것일 뿐이며 본 발명의 범위가 상기 예시에 의하여 제한되는 것은 아님에 유의하여야 한다. 제2 코드(C2) 역시 거래 행위 유형마다 서로 상이한 숫자, 문자 또는 숫자 및 문자의 조합으로 이루어질 수 있고 이에 별도의 제한이 있는 것은 아니다.
도 1 및 도 6을 참고하면, 제2 모델 생성부(550)는 데이터 생성부(510)를 통한 거래소 내 가상자산 거래 데이터 세트 및 그에 대한 레이블 정보, 상세하게는 트랜잭션 데이터, 블록 데이터, 거래소 이용자의 개인정보 관련 데이터 및 레이블 정보를 학습 데이터로 활용하여 입력 데이터에 대응되는 거래 행위 유형의 분류하기 위한 기준을 제시하는 구성이다. 즉, 제1 모델 생성부(530)는 매도인 및 매수인 간 블록체인 P2P 거래 행위에 대한 구체적인 분류 기준을, 제2 모델 생성부(550)는 가상자산 거래소 내 거래 행위에 대한 구체적인 분류 기준을 제시하는 것이다. 이러한 제2 모델 생성부(550)는 제1 모델 생성부(530)와 독립적인 구성일 수도, 하나의 구성 내에서 2가지 모델을 생성할 수도 있고 이에 별도의 제한이 있는 것은 아님에 유의하여야 한다. 또한, 제2 모델 생성부(550) 역시 필요한 경우 문제 유형 생성부(30)에 따른 부정 거래 행위 유형 분류 기준을 함께 학습 데이터로 활용활 수도 있다.
예를 들어, 도 8을 참고하면, 제2 모델 생성부(550)는 거래소 거래 행위에 대한 구체적인 유형을 분류하고, 상기 거래 행위 유형마다 제2 코드(C2)를 부여한다. 예시적으로 도 8과 같은 테이블 세트를 생성한다. 예를 들어, '일정 기간에 기 설정된 갯수 이상의 가상 자산 보내기'의 경우 'A101' 제2 코드(C2)를, '일정 기간에 기 설정된 갯수 이상의 가상 자산 받기'의 경우 'A102' 제2 코드(C2)를 분류하는 테이블 세트를 생성한다. 그 후, 부정 거래를 판단하는 방법은 제1 모델 생성부(530)와 동일하며, 상세한 설명은 후술하도록 한다. 제2 모델 생성부(550)의 제2 코드(C2) 역시 거래 행위 유형마다 서로 상이한 숫자, 문자 또는 숫자 및 문자의 조합으로 이루어질 수 있고 이는 제1 모델 생성부(530)에 의하여 분류되는 제2 코드(C2)와 상이하게 이루어질 수 있다.
도 1 및 도 6을 참고하면, 가중치 기준 설정모듈(570)은 상기 제1 모델 생성부(530) 및/또는 제2 모델 생성부(550)의 개별 제2 코드(C2)의 구체적인 거래 행위유형 별 가중치 기준을 설정하는 모듈이다. 예를 들어, 상기 예시의 '일정 기간에 일억 코인의 변화가 감지'되는 거래 유형과 매칭되는 'BcAI02' 제2 코드(C2)에서, 특정 매도인 및 매수자 간 블록체인 P2P 거래 시 일억 가상 자산의 변화가 감지되는 것과 오억 가상 자산의 변화가 감지되는 것에 구체적인 행위에 서로 다른 가중치 점수를 부여하는 것이다. 즉, 일억 가상 자산의 변화가 감지되는 경우에는 'BcAI02' 제2 코드(C2)에 0.1점이, 오억 가상 자산의 변화가 감지되는 경우에는 'BcAI02' 제2 코드(C2)에 0.5점이 각각 부여될 수 있다.
도 9는 도 1에 따른 결과 도출부에 대한 블럭도이고; 도 10은 도 9에 따른 가중치 부여모듈 동작 내용에 대한 개략적인 참고도이고; 도 11은 도 9에 따른 매칭 모듈 동작 내용에 대한 개략적인 참고도이고; 도 12는 도 9에 따른 결과 내용 제시모듈 동작 내용에 대한 개략적인 참고도이다.
도 1 및 도 9를 참고하면, 결과 도출부(70)는 입력 데이터에 대응되는 거래 행위에 대하여 판단 모델 생성부(50)에 의하여 생성된 다수의 제2 코드(C2) 중 특정 제2 코드(C2)를 부여한 이후, 부여된 제2 코드(C2)를 문제 유형 생성부(30)의 제1 코드(C1)와 매칭하여, 특정 입력 데이터의 거래 행위 결과 내용을 제시하는 구성이다. 여기에서 '결과 내용'이란 입력 데이터를 통하여 분석된 거래 행위가 정상 거래인지 또는 부정 거래인지, 부정 거래에 해당한다면 자금 세탁 행위인지 이상 거래 행위인지 등에 대한 것일 수 있다. 따라서, 결과 도출부(70)에 의하여 입력 데이터와 대응되는 거래 행위가 부정 거래 행위인지 여부를 도출 가능하다.
이를 위하여, 결과 도출부(70)는 가중치 부여모듈(710), 매칭 모듈(730) 및 결과 내용 제시모듈(750)을 포함할 수 있다.
도 9 및 도 10을 참고하면, 가중치 부여모듈(710)은 결과값 도출을 위한 입력 데이터 입력 시 입력값을, 제1 모델 생성부(530) 및/또는 제2 모델 생성부(550)에 의하여 분류된 각각의 제2 코드(C2)와 매칭되는 행위 유형에 해당하는지 판단하기 위하여 가중치/점수를 부여하는 모듈이다. 예를 들어, 입력 데이터가 블록체인 P2P 거래에 대한 것에 해당하며, 일정 기간 내 기 설정된 갯수 이상의 가상 자산 변화가 감지되었고 그 가상 자산이 십억 이상 가치를 가지는 경우, 상기 입력 데이터에 제2 코드(C2) 별 점수를 부여한다. 이 때 입력 데이터와 대응되는 거래 행위에 부여되는 점수는 가중치 부여 기준 설정모듈(570)에 의하여 정해진 기준에 따라 개별 제2 코드(C2)와 대응되는 행위 유형 별 점수를 부여할 수 있다.
더욱 상세하게는 'BcAI01' 제2 코드(C2)에 대해서는 0.7점, 'BcAI02' 제2 코드(C2)에 대해서는 0.2점, 'BcAI03' 제2 코드(C2)에 대해서는 0.6점을 부여할 수 있다. 이와 같이 입력 데이터와 대응되는 거래 행위에 대하여, 모든 제2 코드(C2)와 매칭되는 거래 행위 유형 별 점수를 부여한다. 이러한 가중치/점수 부여의 기준은, 전술한 바와 같이, 가중치 기준 설정모듈(570)에서 설정된 기준을 기반으로 할 수 있다. 그 후, 결과 도출부(70)에서 특정 입력 데이터에 부여된 점수가 각 제2 코드(C2) 별 기 설정된 기준 점수 이상, 이하, 초과 또는 미만에 해당하는 경우, 최종적으로 입력 데이터에 특정 기준 점수를 만족하는 제2 코드(들)(C2)를 부여한다. 해당 기준 점수 역시 가중치 기준 설정모듈(570)을 통하여 학습된 결과일 수 있다.
예를 들어, 상기 예시에서 각각의 제2 코드(C2) 별 기준 점수가 0.6점이고 해당 기준 점수 이상인 경우에만 입력 데이터에 개별 제2 코드(C2)를 부여하는 경우, 상기 입력 데이터에 대하여 'BcAI01' 및 'BcAI03' 제2 코드(C2)를 부여한다. 이러한 기준 점수는 개별 제2 코드(C2) 별 상이할 수도 있고, 동일할 수도 있으며 이에 별도의 제한이 있는 것은 아니다.
도 9 및 도 11을 참고하면, 매칭 모듈(730)은 특정 입력 데이터에 대하여 부여된 제2 코드(C2)와 부정 거래 유형인 제1 코드(C1)를 매칭하는 구성이다. 이러한 제1 코드(C1)와 개별 제1 코드(C1) 별 매칭되는 제2 코드(C2)는 인공지능을 기반으로 하여 또는 사용자에 의하여 기 매칭되어 제시될 수 있다. 따라서, 예를 들어 가중치 부여모듈(710)에 의하여 입력 데이터에 'AI01' 및 'AI07' 제2 코드(C2)가 부여되고, 해당 'AI01' 제2 코드(C2)는 'A01' 제1 코드(C1)에, 'AI07' 제2 코드(C2)는 'F01' 제1 코드(C1)에 매칭되어 있는 경우, 상기 입력 데이터에 따른 거래 행위는 확정적으로 A01 및 F01 제1 코드(C1) 부정 거래 행위에 해당하는 것이다.
도 9 및 도 12를 참고하면, 결과내용 제시모듈(750)은 입력 데이터에 부여된 제1 코드(C1)와 매칭되는 결과내용을 사용자 단말기 등의 디스플레이를 통하여 확인 가능하도록 하는 모듈이다. 여기에서 단말기란 사용자 PC, 노트북, PDA, 스마트폰 등 공지된 또는 공지될 다양한 구성 중 임의의 것일 수 있다.
이러한 결과내용은 제1 코드(C1) 별 매칭되어 기 저장되어 있다. 예를 들어 'F01' 제1 코드(C1)에 해당하는 입력 데이터의 경우 결과내용에 '경제적 실 이익 없는 위장거래, 거래량 부풀리기 거래 행위'라는 결과내용을 제시할 수 있다. 이러한, 결과내용은 제1 코드(C1) 별 매칭되어 기 저장되어 있다. 따라서, 입력 데이터에 대하여 이상 거래라는 결론이 도출된 경우, 해당 이상 거래 행위에 대한 구체적인 내용을 사용자가 시스템을 통하여 역으로 도출함으로써 판단할 필요가 없다.
도 13은 본 발명의 일 실시예에 따른 가상자산 부정 거래 탐지 방법에 대한 흐름도이다.
이하에서는 첨부된 도면을 참고하여 본 발명의 일 실시예에 따른 가상자산 부정 거래 탐지 방법(S1)에 대하여 상세히 설명하도록 한다.
이하에서 각각의 단계는 시간적 선후를 달리하여 진행될 수도, 실질적으로 동시에 진행될 수도 있고 본 발명의 일 실시예에 따른 부정 거래 탐지 방법의 동작이 하기의 기재된 순서에 의하여 시간적으로 구속되어 진행되는 것은 아님에 유의하여야 한다.
또한, 본 발명의 가상자산 부정 거래 탐지 방법(S1)은 전술한 가상자산 부정 거래 탐지 시스템(1)을 통하여 구현 가능하므로, 이에 대한 상세한 예시는 앞선 설명으로 대체하도록 한다.
도 13을 참고하면, 본 발명은 가상자산 부정 거래 탐지 방법(S1)에 관한 것으로, 더욱 상세하게는 가상자산 온라인 거래 시 자금세탁과 이상 거래 등 부정 거래로 인지되는 거래 내역을 인공지능 솔루션 기반으로 탐지함으로써 부정 거래에 대한 근본적인 해결책을 제시하는 방법에 관한 것이다.
먼저, 데이터 추출부(10)에 의해, 블록체인 P2P 거래 및/또는 거래소 거래를 통하여 생성되는 데이터 및 레이블 정보를 추출하여 학습을 진행한다(S10). 예를 들어 데이터 추출모듈(110)을 통하여 트랜잭션 데이터, 블록 데이터, 거래소 이용자의 개인 정보 데이터 및 레이블 정보를 추출한다. 그 후, 데이터 분류모듈(130)을 통하여, 추출된 데이터에 대한 거래 유형을 분류한다. 즉, 가상자산 거래 행위가 정상 거래인지 또는 부정 거래인지, 부정 거래 행위에 해당한다면 구체적으로 자금 세탁 행위인지 이상 거래 행위인지 분류할 수 있다.
그 후, 데이터 추출부(10)를 통하여 추출 및 분류된 데이터 세트 및 레이블 정보와 문제 유형 생성부(30)에 따른 부정 거래 행위 유형 정보를 학습 데이터로 활용하여 판단 모델을 생성한다(S20). 예를 들어, 판단 모델 생성부(50) 중 제1 모델 생성부(530)가 구동되어. 블록체인 P2P 거래에 대한 데이터 세트 및 그에 대한 레이블 정보 및 문제 유형 생성부(30)에 따른 부정 거래 행위 유형 정보를 통하여 상기 블록체인 P2P 거래 행위 유형 별 서로 상이한 제2 코드(C2)가 부여되는 제1 모델이 생성된다. 전술한 바와 같이, 제1 모델 생성부(530)에 입력되는 데이터는 데이터 생성부(510)를 통하여 가공되어 입력될 수 있다.
또한, 제2 모델 생성부(550)가 구동되어, 거래소 거래에 대한 데이터 세트 및 그에 대한 레이블 정보와 문제 유형 생성부(30)에 따른 부정 거래 행위 유형 정보를 통하여 거래소 거래 행위 유형 별 서로 상이한 제2 코드(C2)가 부여되는 제2 모델이 생성된다. 이러한 제1 모델 및 제2 모델은 구체적인 거래 행위 유형 별 매칭되는 제2 코드(C2)가 분류되어 형성된다. 또한 이러한 제1 모델 및 제2 모델은 입력되는 학습 데이터를 통하여 지속적으로 변경 또는 업그레이드될 수 있음에 유의하여야 한다.
그리고 나서, 특정 입력 데이터가 시스템(1)에 입력되면, 제1 모델 생성부(530) 및/또는 제2 모델 생성부(550)에 의하여 분류된 다수의 제2 코드(C2) 중 어느 제2 코드(C2)의 거래 행위 유형과 매칭되는지 판단한다(S30). 예를 들어, 입력 데이터가 입력되면, 판단 모델 생성부(50)의 제2 코드(C2) 및 각각의 제2 코드(C2)와 매칭되는 내용들과, 입력 데이터에 따른 거래 행위를 대비하여 상기 입력 데이터와 대응되는 거래 행위에 대하여 각 제2 코드(C2) 별 가중치/점수를 부여할 수 있다. 이러한 가중치/점수는 가중치 기준 설정모듈(570)을 기반으로 하여 가중치 부여모듈(710)이 부여할 수 있다.
이후, 가중치 부여모듈(710)이 입력 데이터에 매칭되는 제2 코드(C2)를 부여한다(S40). 예를 들어, 입력 데이터에 대해 제2 코드(C2) 별 부여된 점수가 기 설정된 기준 점수 이상, 이하, 초과 또는 미만에 해당하는 경우, 해당 기준 점수에 부합하는 개별 제2 코드(C2)만이 입력 데이터에 부여된다. 또한, 한 개의 입력 데이터에 복수개의 제2 코드(C2)가 부여될 수도 있으며 이에 별도의 제한이 있는 것은 아님에 유의하여야 한다.
이후, 매칭 모듈(730)은 입력 데이터에 부여된 제2 코드(C2)와, 부정 거래 유형인 제1 코드(C1)를 매칭한다(S50). 상기 단계를 통하여 입력 데이터에 대한 제1 코드(C1) 유형을 특정할 수 있다.
그 후, 제1 코드(C1)와 대응되는 결과내용이 사용자 단말기 등의 디스플레이에 제시된다(S60). 따라서, 입력 데이터에. 인공지능을 기반으로 하는 학습에 의하여 분류된 위 유형 별 부여되는 제2 코드(C2) 중 특정 제2 코드(들)(C2)가 부여되고, 그 후 기 설정된 문제유형 생성부(30)에 의하여 생성된 제1 코드(C1)를 매핑/매칭하며, 상기 제1 코드(C1)에 대응되는 결과내용을 사용자 단말기에 제시할 수 있는 것이다.
이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한, 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내어 설명하는 것이며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 전술한 실시예는 본 발명의 기술적 사상을 구현하기 위한 최선의 상태를 설명하는 것이며, 본 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다.
1 : 가상자산 부정 거래 탐지 시스템
10 : 데이터 추출부
110 : 데이터 추출모듈 130 : 데이터 분류모듈
30 : 문제 유형 생성부
310 : 제1 유형 분류부 330 : 제2 유형 분류부
510 : 판단 모델 생성부
510 : 데이터 생성부 530 : 제1 모델 생성부
550 : 제2 모델 생성부 570 : 가중치 기준 설정모듈
50 : 문제 유형 생성부
510 : 제1 유형 분류부 530 : 제2 유형 분류부
70 : 결과 도출부
710 : 가중치 부여모듈 730 : 매칭 모듈
750 : 결과 내용 제시모듈
S1 : 가상자산 부정 거래 탐지 방법
S10 내지 S60 : S1의 각 하위단계
C1 : 제1 코드 C2 : 제2 코드

Claims (10)

  1. 입력되는 데이터 세트 중 가상 자산의 거래에 의해 생성 또는 업데이트 되는 트랜잭션 데이터 및 레이블 정보를 추출하는 데이터 추출부;
    부정 거래 행위의 개별 유형이 각각의 제1 코드로 분류되어 정의되는 문제 유형 생성부;
    상기 데이터 추출부로부터 추출된 데이터를 토대로 인공지능을 기반으로 하는 학습을 수행하여, 가상 자산 거래 행위의 개별 유형을 각각의 제2 코드로 분류하는 판단 모델을 생성하는 판단 모델 생성부; 및
    상기 판단 모델 생성부에 의하여 제2 코드가 부여된 행위 유형에 따라 입력 데이터에 따른 거래 행위와 매칭되는 특정 제2 코드를 부여한 이후, 상기 입력 데이터에 부여된 제2 코드와 매칭되는 제1 코드를 도출하여 상기 입력 데이터에 따른 거래 행위의 부정 거래 행위 유형을 제시하는 결과 도출부;를 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  2. 제1항에 있어서,
    상기 판단 모델 생성부는
    상기 데이터 추출부로부터 추출된 블록체인 P2P 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 레이블 정보를 가공하는 데이터 생성부; 및
    상기 데이터 생성부에 의하여 가공되는 데이터 및 상기 문제 유형 생성부에 따른 부정 거래 행위 유형 기준을 학습 데이터로 활용하여 개별 거래 행위 유형 별 제2 코드를 부여하여 블록체인 P2P 거래 행위 유형들을 분류하는 제1 모델을 생성하는 제1 모델 생성부;를 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  3. 제1항에 있어서,
    상기 판단 모델 생성부는
    상기 데이터 추출부로부터 추출된 거래소 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 거래소 이용자의 개인 정보 데이터 및/또는 레이블 정보를 가공하는 데이터 생성부; 및
    상기 데이터 생성부에 의하여 가공되는 데이터 및 상기 문제 유형 생성부에 따른 부정 거래 행위 유형 분류 기준을 학습 데이터로 활용하여 개별 거래 행위 유형 별 제2 코드를 부여하여 거래소 거래 행위 유형들을 분류하는 제2 모델을 생성하는 제2 모델 생성부;를 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  4. 제2항에 있어서,
    상기 데이터 생성부는
    상기 판단 모델 생성부는 상기 데이터 추출부로부터 추출된 거래소 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 거래소 이용자의 개인 정보 데이터 및/또는 레이블 정보를 추가로 가공하고,
    상기 판단 모델 생성부는
    상기 데이터 생성부에 의하여 가공되는 거래소 거래에 따른 트랜잭션 데이터 및/또는 블록 데이터 및/또는 거래소 이용자의 개인 정보 데이터 및/또는 레이블 정보 및 상기 문제 유형 생성부에 따른 부정 거래 행위 유형 기준을 학습 데이터로 활용하여 개별 거래 행위 유형 별 제2 코드를 부여하여 거래소 거래 행위 유형들을 분류하는 제2 모델을 생성하는 제2 모델 생성부; 및
    상기 제1 모델 생성부 및/또는 제2 모델 생성부의 개별 제2 코드 별 분류되는 거래 행위유형 별 가중치 기준을 설정하는 가중치 기준 설정모듈;을 추가로 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  5. 제4항에 있어서,
    상기 문제 유형 생성부는
    부정 거래 행위 중 자금 세탁에 대한 구체적인 행위 유형에 대하여 분류하고, 분류된 개별 자금 세탁 행위 유형마다 제1 코드를 부여하는 제1 유형 분류부; 및
    상기 부정 거래 행위 중 이상 거래에 대한 구체적인 행위 유형에 대하여 분류하고, 분류된 개별 이상 거래 행위 유형마다 제1 코드를 부여하는 제2 유형 분류부;를 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  6. 제5항에 있어서,
    상기 결과 도출부는
    상기 입력 데이터와 대응되는 거래 행위가 제1 모델 생성부 및/또는 제2 모델 생성부에 의하여 분류된 각각의 제2 코드와 매칭되는 거래 행위 유형에 해당 여부를 판단하기 위하여, 상기 입력 데이터와 대응되는 거래 행위에 대해 개별 제2 코드 별 가중치/점수를 부여하는 가중치 부여모듈;을 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  7. 제6항에 있어서,
    상기 가중치 부여모듈은
    상기 입력 데이터에 따른 거래 행위가 상기 가중치 기준 설정모듈을 통하여 학습된, 제2 코드 별 기 설정된 기준 점수 이상 또는 이하 또는 초과 또는 미만에 해당 시, 상기 입력 데이터에 대하여, 상기 기준 점수에 부합하는 특정 제2 코드를 부여하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  8. 제6항에 있어서,
    상기 결과 도출부는
    상기 입력 데이터에 따른 거래 행위에 제2 코드 부여 시, 상기 부여된 제2 코드와 매칭되는 부정 거래 행위 유형인, 문제 유형 생성부에 따른 제1 코드를 매칭하는 매칭 모듈;을 포함하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  9. 제8항에 있어서,
    상기 매칭 모듈은
    상기 입력 데이터에 부여된 제1 코드와 제2 코드를 매칭하여, 상기 입력 데이터에 따른 거래 행위에 대하여, 정상 거래 또는 부정 거래 행위인지 판별하고, 부정 거래 행위에 해당 시 자금 세탁 행위 또는 이상 거래 행위 유형인지 결과를 도출하는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
  10. 제8항에 있어서,
    상기 결과 도출부는
    상기 입력 데이터에 매칭된 제1 코드와 매칭되는 결과 내용을 사용자 단말기 등의 디스플레이를 통하여 확인하도록 하는 결과내용 제시모듈;을 포함하며,
    상기 결과 내용은 제1 코드 별 매칭되어 기 설정되는 것을 특징으로 하는 가상자산 부정 거래 탐지 시스템.
KR1020200009707A 2020-01-28 2020-01-28 가상자산 부정 거래 탐지 시스템 및 방법 KR102367223B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200009707A KR102367223B1 (ko) 2020-01-28 2020-01-28 가상자산 부정 거래 탐지 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200009707A KR102367223B1 (ko) 2020-01-28 2020-01-28 가상자산 부정 거래 탐지 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210096364A true KR20210096364A (ko) 2021-08-05
KR102367223B1 KR102367223B1 (ko) 2022-02-24

Family

ID=77316574

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200009707A KR102367223B1 (ko) 2020-01-28 2020-01-28 가상자산 부정 거래 탐지 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102367223B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102440878B1 (ko) * 2021-12-09 2022-09-05 한국인터넷진흥원 가상 자산 부정 거래 탐지를 위한 탐지 모델의 학습 방법, 탐지 모델을 이용한 가상 자산 부정 거래의 탐지 방법 및 이들을 수행하는 장치 및 컴퓨터 프로그램
KR20240013035A (ko) * 2022-07-21 2024-01-30 주식회사 인피닛블록 커스터디 기반의 디지털 자산의 거래에 대한 이상 거래 탐지 시스템
KR102640986B1 (ko) * 2023-09-07 2024-02-27 주식회사 보난자팩토리 블록체인 네트워크 상의 트랜잭션 정보에 기반한 가상자산 거래분석 데이터베이스 생성 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170083330A (ko) * 2016-01-08 2017-07-18 한국인터넷진흥원 머신러닝을 이용하여 이상거래를 탐지하기 위한 장치 및 그 방법
KR101961899B1 (ko) 2018-06-07 2019-03-25 강효숙 가상화폐와 명목화폐 간의 환율을 고려한 가상화폐 자동 결제 서비스 제공 방법
KR102009310B1 (ko) * 2018-10-15 2019-10-21 주식회사 에이젠글로벌 이상행위 요인 분석 시스템 및 분석 방법
KR102046262B1 (ko) * 2017-12-18 2019-11-18 고려대학교 산학협력단 모바일 운영체제 환경에서 악성 코드 행위에 따른 위험을 관리하는 장치 및 방법, 이 방법을 수행하기 위한 기록 매체
KR102058683B1 (ko) * 2019-09-05 2019-12-23 (주)에스투더블유랩 암호화폐 거래 분석 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170083330A (ko) * 2016-01-08 2017-07-18 한국인터넷진흥원 머신러닝을 이용하여 이상거래를 탐지하기 위한 장치 및 그 방법
KR102046262B1 (ko) * 2017-12-18 2019-11-18 고려대학교 산학협력단 모바일 운영체제 환경에서 악성 코드 행위에 따른 위험을 관리하는 장치 및 방법, 이 방법을 수행하기 위한 기록 매체
KR101961899B1 (ko) 2018-06-07 2019-03-25 강효숙 가상화폐와 명목화폐 간의 환율을 고려한 가상화폐 자동 결제 서비스 제공 방법
KR102009310B1 (ko) * 2018-10-15 2019-10-21 주식회사 에이젠글로벌 이상행위 요인 분석 시스템 및 분석 방법
KR102058683B1 (ko) * 2019-09-05 2019-12-23 (주)에스투더블유랩 암호화폐 거래 분석 방법 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102440878B1 (ko) * 2021-12-09 2022-09-05 한국인터넷진흥원 가상 자산 부정 거래 탐지를 위한 탐지 모델의 학습 방법, 탐지 모델을 이용한 가상 자산 부정 거래의 탐지 방법 및 이들을 수행하는 장치 및 컴퓨터 프로그램
WO2023106572A1 (ko) * 2021-12-09 2023-06-15 한국인터넷진흥원 가상 자산 부정 거래 탐지를 위한 탐지 모델의 학습 방법, 탐지 모델을 이용한 가상 자산 부정 거래의 탐지 방법 및 이들을 수행하는 장치 및 컴퓨터 프로그램
KR20240013035A (ko) * 2022-07-21 2024-01-30 주식회사 인피닛블록 커스터디 기반의 디지털 자산의 거래에 대한 이상 거래 탐지 시스템
KR102640986B1 (ko) * 2023-09-07 2024-02-27 주식회사 보난자팩토리 블록체인 네트워크 상의 트랜잭션 정보에 기반한 가상자산 거래분석 데이터베이스 생성 시스템 및 방법

Also Published As

Publication number Publication date
KR102367223B1 (ko) 2022-02-24

Similar Documents

Publication Publication Date Title
KR102367223B1 (ko) 가상자산 부정 거래 탐지 시스템 및 방법
CN110706090A (zh) 信用欺诈识别方法及装置、电子设备、存储介质
CN109410036A (zh) 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置
US11682018B2 (en) Machine learning model and narrative generator for prohibited transaction detection and compliance
CN110689438A (zh) 企业类金融风险评分方法、装置、计算机设备及存储介质
CN109214914A (zh) 一种基于通信开放平台的借贷信息审核方法及装置
CN106548302B (zh) 互联网交易的风险识别方法及系统
Mhamane et al. Internet banking fraud detection using HMM
Hafiz et al. The use of predictive analytics technology to detect credit card fraud in Canada
Chakraborty Evolving profiles of financial risk management in the era of digitization: The tomorrow that began in the past
Ojugo et al. Forging a user-trust hybrid memetic modular neural network card fraud detection ensemble: A Pilot study
Goyal et al. Review on credit card fraud detection using data mining classification techniques & machine learning algorithms
Surbhi et al. Fraud detection during money transaction and prevention
Al-Jumeily et al. The development of fraud detection systems for detection of potentially fraudulent applications
Cochrane et al. Pattern analysis for transaction fraud detection
Korauš et al. AWARENESS OF SECURITY RISKS ASSOCIATED WITH PAYMENT SYSTEMS ANALYSED BY THE METHODS OF MULTIDIMENSIONAL STATISTICS.
Mhlanga The role of big data in financial technology toward financial inclusion
Amanze et al. On the development of credit card fraud detection system using multi-agents
CN111861699A (zh) 一种基于运营商数据的反欺诈指数生成方法
Amanze et al. Credit card fraud detection system using intelligent agents and enhanced security features
CN110362981A (zh) 基于可信设备指纹判断异常行为的方法及系统
Carpentier-Desjardins et al. Mapping the DeFi Crime Landscape: An Evidence-based Picture
Smiles et al. Data mining based hybrid latent representation induced ensemble model towards fraud prediction
Prajapati et al. An Analysis of Financial Fraud Detection Methods Using Artificial Intelligence
Cuccia Fraud in Banking: A Review of Fraud Scams, Effects, and Antifraud Techniques in the Banking Industry

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant