비트코인은 P2P 네트워크 구조의 탈중앙화 시스템으로, 제 3 자의 개입 없이 암호 화폐의 거래가 가능 하다. 참여자가 동일한 데이터를 유지함으로써 투명한 거래가 가능하며 데이터의 위/변조가 불가능하다는 특징이 있어 크게 주목받고 있다. 비트코인을 거래하기 위해서는 비트코인을 전송 받을 비트코인 주소가 필요하며, 한 명 의 유저 또는 entity 는 여러 개의 주소를 소유할 수 있 다. 그러나 이러한 비트코인 주소는 실 소유주의 현실 정보와 연결되지 않는 익명성을 띠고 있다. 이러한 익명 성을 악용하여, 비트코인 네트워크에서 다양한 불법 거래 들이 활발하게 일어나고 있고 피해가 막심하다. 대표적인 암거래 사이트인 실크로드를 통해 불법 무기, 불법 마약, 도난품, 악성 코드 등이 비트코인을 이용해 거래되었으며 그 거래 금액은 사이트가 폐쇄되기 전까지 약 707M 달러에 달한다. 실제로 비트코인 네트워크 상에서는 다크넷을 통한 불법 물품 거래 뿐 아니라, 자금 세탁, 스캐밍과 같은 불법적인 활동들이 꾸준히 일어나고 있으며, 이러한 활동들은 암호 화폐 관련 법 제정을 저 하는 요소로 작용해왔다. 따라서 네트워크 상에서 일어나 는 불법 거래들을 사전에 탐지할 수 있는 시스템이 필요 하다. 비트코인, 이더리움, 모네로 등은 다크넷 상에서의 불법 거래에 많이 사용되어 왔지만, 본 연구에 서는 다크넷에서 가장 많이 사용된 비트코인에 초점을 맞춘다. 악성 유저들은 반복해서 불법 거래를 발생시키며, 그 과정에서 한 명의 유저는 여러 개의 비트코인 주소를 활용한다. 따라서 본 연구에서는 불법 거래를 탐지하기에 앞서, 특정 비트코인 주소들이 어떠한 목적으로, 어떠한 서비스를 위해 사용되었는지를 분류해보았다. 비트코인 거래와 관련한 비트코인 주소와 특징들을 추출하고, 지도 학습 기반의 머신 러닝 분류 모델을 이용해 특징들을 학습시킴으로써 비트코인 주소가 어느 클래스에 속하는지 파악해보았다.

본 연구에서는 머신 러닝 기반의 분류 모델을 이용 해 여러 카테고리의 비트코인 주소들을 분류해보았다. 거래소, 마이닝 풀, 믹서, 겜블링, 암거래 시장(실크로드) 에 활용된 트랜잭션을 카테고리 별로 수집하고, 수집된 트랜잭션으로부터 연관된 비트코인 주소와 80 개의 특징 을 추출한다. 그리고 머신 러닝 모델을 이용해 특정 비트코인 주소가 어떤 카테고리에 속하는지 분류해보았고 최고 약 84%의 분류 정확도를 가짐을 확인했다. Random forest classifier 가 DNN 에 비해 상대적으로 높은 정확도를 보여주었고, 두 모델 모두 실크로드와 관련된 주소를 잘 분류해줌을 확인했다. 본 연구는 여러 개선사항들이 존재한다. DNN 성능 개선을 위해 다양한 머신 러닝 기법을 적용해 볼 예정이 다. 히든 레이어의 수와 노드의 수를 조정하거나 80 개 의 특징들 중 중요도가 높은 특징만을 이용해 재실험해 본다. 또한 다른 딥러닝 모델을 활용해 분류 정확도를 개선할 수 있다. 두 번째로, 특정 트랜잭션과 연관된 비트코인 주소들의 분류를 예측한 결과를 바탕으로 Majority voting 을 적용한다면, 더 나아가 해당 트랜잭션이 어떤 카테고리에 속하는지 판단할 수 있다. 실험 결과, 암거래 시장과 관련된 비트코인 주소가 거의 정확히 분류됨을 확인할 수 있었고, 이는 추후 트랜잭션의 불법 여부를 판단할 수 있는 가능성을 보여준다. 

출처:2020 통신망운용관리 학술대회 - 머신 러닝 기반의 비트코인 주소 분류 기법