암호화폐 포렌식의 혁명: LLM 기반 속성 태그 연결 기술

Régnier Avice 등 연구팀의 LLM 기반 암호화폐 속성 태그 연결 기술은 기존 방법 대비 최대 37.4% 향상된 F1-score와 레이블 없는 데이터에서 93%의 높은 재현율을 달성, 암호화폐 포렌식 분야에 혁신을 가져올 것으로 기대됩니다.

최근 암호화폐 시장의 급성장과 함께, 암호화폐 범죄 및 사건 조사의 중요성이 날로 커지고 있습니다. 하지만, 암호화폐 거래 추적에 필수적인 속성 태그(attribution tags) 의 불일치나 오류는 조사의 정확성을 크게 떨어뜨리고, 심지어는 잘못된 혐의로 이어질 수 있습니다. 이러한 문제를 해결하기 위해 Régnier Avice, Bernhard Haslhofer, Zhidong Li, Jianlong Zhou 연구팀이 거대 언어 모델(LLM) 을 기반으로 한 획기적인 방법을 제시했습니다.

그들의 연구는 LLM을 활용하여 속성 태그를 잘 정의된 지식 그래프 개념과 연결하는 새로운 컴퓨팅 방법을 제안합니다. 연구팀은 이 방법을 종단 간 파이프라인으로 구현하고, 세 개의 공개 속성 태그 데이터셋을 사용하여 실험을 진행했습니다. 그 결과, 기존 방법 대비 최대 37.4%의 F1-score 향상이라는 놀라운 성과를 달성했습니다. 이는 LLM 기반 접근 방식의 우수성을 명확하게 보여줍니다.

더욱 놀라운 점은, 개념 필터링과 차단 절차를 통해 레이블이 없는 데이터를 사용하여도 93%의 높은 재현율을 달성했다는 것입니다. 이는 기존의 방법들과 비교했을 때 데이터 의존성을 크게 줄인 혁신적인 결과입니다. 또한, 연구팀은 로컬 LLM 모델이 원격 모델과 비슷한 90%의 F1-score를 달성할 수 있음을 보여주었는데, 이는 비용 효율성 측면에서 큰 의미를 갖습니다. 다양한 LLM과 프롬프트 템플릿에 대한 비용-성능 분석을 통해, 비용을 최대 90%까지 절감하면서도 성능 저하를 **단 1%**로 유지할 수 있는 최적의 설정을 찾아냈습니다.

이 연구는 단순히 속성 태그의 정확성을 높이는 것을 넘어, 더욱 신뢰할 수 있는 포렌식 증거를 확보하는데 중요한 기반을 마련했습니다. LLM 기술의 발전이 암호화폐 포렌식 분야에 혁신을 가져올 것으로 기대되며, 앞으로 이러한 기술이 더욱 발전하여 암호화폐 범죄 및 사건 해결에 크게 기여할 것으로 예상됩니다. 이 연구는 암호화폐 시장의 안전성과 투명성 향상에 중요한 전기를 마련할 것입니다.