Główne pojęcia
이 논문에서는 암호화폐 거래 네트워크에서 시간적 모티프 분석을 사용하여 거래 패턴과 사용자 행동에 대한 통찰력을 얻는 방법을 제시합니다. 단순히 모티프 수를 세는 것만으로는 오해의 소지가 있는 결론을 도출할 수 있으며, 시간 경과에 따른 모티프 분포와 개별 노드에 대한 분석이 중요함을 강조합니다.
본 연구 논문에서는 시간적 네트워크 모티프를 사용하여 암호화폐 거래 네트워크에서 거래 패턴을 분석합니다. 저자들은 세 가지 암호화폐 데이터 세트(Alphabay, Hydra, NFT)를 사용하여 시간적 모티프 분석을 통해 얻을 수 있는 통찰력과 주의 사항을 제시합니다.
서론
디지털 자산, 특히 암호화폐와 NFT(Non-Fungible Token)는 현대 사회에서 점점 중요해지고 있습니다. 암호화폐는 디지털 자산, NFT는 디지털 소유권과 유사하며, 이러한 거래는 블록체인에 기록되어 연구자들에게 귀중한 데이터 세트를 제공합니다. 본 연구에서는 시간적 모티프를 사용하여 이러한 생태계의 특성을 분석하고, 기존의 그래프 분석 기법으로는 처리하기 어려운 대규모 데이터의 문제점을 해결합니다.
시간적 모티프 정의
시간적 모티프는 네트워크에서 빈번하게 발생하는 작은 하위 그래프로, 특정 시간 제약 내에서 특정 순서로 발생하는 일련의 에지를 의미합니다. 본 연구에서는 최대 3개의 노드와 3개의 에지를 가진 시간적 모티프를 사용하여 분석을 수행합니다.
연구 결과
1. 모티프는 (가중치) 노드 차수와 다른 정보를 전달합니다.
모티프 수는 단순히 노드 차수나 가중치 노드 차수를 보는 것 이상의 정보를 제공합니다. 연구 결과, 거래 수와 모티프 수 사이에는 상관관계가 있지만, 그 차이는 매우 크며, 노드의 역할에 따라 다양한 패턴을 보입니다.
2. 전역 모티프 수는 거래의 팬아웃 패턴을 보여줍니다.
Alphabay와 Hydra 데이터 세트에서 특정 유형의 모티프가 매우 높은 비율로 나타나는 것을 확인했습니다. 특히, 아웃바운드 스타 패턴은 Alphabay에서 가장 흔하게 나타나는 모티프로, 이는 개체가 실제 상품을 구매하거나 자동화된 서비스를 수행하거나 다른 화폐로 교환하는 등 주로 화폐를 보내는 것을 의미할 수 있습니다. NFT 데이터 세트에서는 아웃바운드 스타 패턴 외에도 혼합 스타 패턴이 흔하게 나타났으며, 이는 사용자가 NFT를 판매하여 다른 NFT 구매 자금을 조달하거나 NFT를 구매한 후 곧바로 판매하는 행위를 나타낼 수 있습니다.
3. 모티프 수는 극소수의 노드에 의해 지배됩니다.
Alphabay, Hydra, NFT 데이터 세트 모두에서 소수의 노드가 모티프 수의 대부분을 차지하는 것을 확인했습니다. Alphabay에서는 로그-로그 CCDF에서 직선이 나타나며, 이는 멱 법칙 분포를 따르는 것을 의미합니다. Hydra에서는 일부 모티프 유형에서 갑작스러운 하향 "범프"가 나타나는데, 이는 유사한 자동화된 행동을 구현하는 노드 그룹이 존재함을 의미할 수 있습니다. NFT 데이터 세트에서는 곡선이 Alphabay와 Hydra보다 부드럽지만 여전히 소수의 노드가 모티프 수의 대부분을 차지하는 것을 확인했습니다.
4. 상위 10개 노드 사이에서 모티프는 다양합니다.
각 데이터 세트에서 모티프 수 상위 10개 노드를 분석한 결과, 노드의 기능적 역할에 따라 다양한 "서명"이 존재하는 것을 확인했습니다. Alphabay와 Hydra에서는 주로 페어와이즈 인커밍 모티프를 가진 노드, 아웃고잉 에지를 가진 스타 모티프를 가진 노드 등이 나타났습니다. NFT 데이터 세트에서는 Alphabay와 Hydra와 유사한 패턴이 나타났지만, 인커밍 기반 스타 모티프와 다양한 모티프를 가진 노드도 관찰되었습니다.
5. 모티프는 거래량 연구만으로는 관찰할 수 없는 사건을 보여줍니다.
시간 경과에 따른 모티프 수 변화를 분석한 결과, 거래량만으로는 파악할 수 없는 사건을 식별할 수 있었습니다. Alphabay 데이터 세트에서는 시장 개설 후 몇 달 후에 모티프 수가 급증했다가 거래량이 감소하기 전에 먼저 감소하는 것을 확인했습니다. Hydra 시장에서는 Alphabay의 활성 기간(2014-2017)의 그림자가 관찰되었으며, 이후 Alphabay와 유사하게 모티프 수가 급증했다가 거래량이 감소하기 전에 먼저 감소하는 현상이 나타났습니다. NFT 데이터 세트에서는 대부분의 모티프가 2020년 초에 발생했으며, 이후 연구 기간이 끝날 무렵에 다시 한번 급증했습니다.
6. 기간 δ의 선택 및 효과 검토
시간적 모티프 분석에서 시간 척도 δ의 선택은 매우 중요합니다. 본 연구에서는 Alphabay와 Hydra 데이터 세트에는 1시간, NFT 데이터 세트에는 1일의 시간 척도를 사용했습니다. 이는 그림 8에서 여러 모티프의 첫 번째 피크에 해당합니다. 시간 척도 δ를 증가시키면 새로운 모티프가 나타나는 것을 확인할 수 있으며, 이는 특정 시간대의 중요성을 강조합니다.
결론
본 연구에서는 시간적 네트워크 모티프를 사용하여 암호화폐 거래 네트워크에서 거래 패턴을 분석하는 방법을 제시했습니다. 시간 척도 δ를 최적화하는 방법과 δ를 변경했을 때 시스템의 행동에 대한 통찰력을 얻는 방법을 보여주었습니다. 또한, 단순히 모티프 수를 세는 것만으로는 오해의 소지가 있는 결론을 도출할 수 있으며, 시간 경과에 따른 모티프 분포와 개별 노드에 대한 분석이 중요함을 강조합니다.
Statystyki
Alphabay 데이터 세트의 모티프 수는 최대 9.3조 개, 최소 164,000개입니다.
Hydra 데이터 세트의 모티프 수는 Alphabay와 유사한 분포를 보입니다.
NFT 데이터 세트의 모티프 수는 최대 16억 개, 최소 471,000개입니다.
Alphabay와 Hydra 데이터 세트에서 아웃바운드 스타 패턴이 가장 일반적인 모티프입니다.
NFT 데이터 세트에서는 아웃바운드 스타 패턴 외에도 혼합 스타 패턴이 일반적입니다.
모든 데이터 세트에서 삼각형 모티프는 드뭅니다.
Alphabay와 Hydra 데이터 세트에서 시간 척도 δ를 1시간으로 설정했을 때 대부분의 단거리 모티프를 포착했습니다.
NFT 데이터 세트에서 시간 척도 δ를 1일로 설정했을 때 인간의 일주 주기에 따라 모티프 수가 크게 증가하는 것을 확인했습니다.