금융 기관들은 스머핑(smurfing)이나 레이어링(layering)과 같은 정교한 돈세탁 패턴을 탐지하는 데 큰 어려움을 겪고 있습니다. 이는 사기 거래 비율이 0.13%에 불과한 극심한 데이터 불균형과, 사기범들이 탐지를 피하기 위해 끊임없이 전술을 진화시키기 때문입니다. 이러한 난제를 해결하기 위해, 새로운 하이브리드 AI 프레임워크인 'FraudShield AI'가 제안되었습니다.
FraudShield AI는 시계열(temporal sequence) 데이터를 분석하는 데 강점이 있는 LSTM(Long Short-Term Memory) 네트워크와, 거래 간의 구조적 관계를 파악하는 데 유용한 그래프 위상 특징(Graph Topological Features)을 통합합니다. 이 시스템은 기존의 개별 거래 분석 방식에서 벗어나, 페이지랭크 중심성(PageRank Centrality), 진입 차수(In-Degree) 역학, 그리고 맞춤형 흐름 비율(Flow Ratio)과 같은 네트워크 중심 특징들을 활용하여 네트워크 수준의 포렌식 분석을 가능하게 합니다. 또한, 클래스 불균형 문제를 해결하기 위해 포컬 손실(Focal Loss) 함수를 사용하고, 소액 스머핑 공격에 대한 복원력을 높이기 위해 동적 임계값(dynamic thresholding) 메커니즘을 도입했습니다.
PaySim 데이터셋에 대한 실험 결과, FraudShield AI는 로지스틱 회귀(Logistic Regression) 및 XGBoost와 같은 기존 기준 모델보다 정밀도(Precision), 재현율(Recall), F1-점수(F1-Score)에서 월등한 성능을 보였습니다. 특히 탐지하기 어려운 미세 거래 사기 패턴에서 뛰어난 효과를 입증했습니다. 이는 시계열 및 그래프 위상 구성 요소가 상호 보완적으로 기여한다는 것을 보여주며, 금융 사기 탐지 분야에 새로운 지평을 열 것으로 기대됩니다. 이 연구는 금융 범죄에 대한 방어력을 강화하고, 궁극적으로 금융 시스템의 안정성을 높이는 데 중요한 역할을 할 수 있습니다.