Qwen2-VL을 활용한 그래프 위상 기반 악성 거래 탐지 접근법

커뮤니티 반응

작성자의 참신한 시각적 접근법에 대해 긍정적인 반응이 있으며, 특히 GNN 대비 VLM의 효율성에 대한 관심이 높다.

주요 논점

01찬성다수

VLM을 사용한 이미지 기반 그래프 분류는 복잡한 그래프 데이터 전처리 과정을 생략하고 직관적인 패턴 인식을 가능하게 한다.

합의점 vs 논쟁점

합의점

악성 거래는 단순 수치 분석보다 네트워크 위상 구조에서 더 명확한 특징이 드러난다.
LoRA는 제한된 자원으로도 특정 시각 작업에 모델을 최적화하는 데 매우 효과적이다.

논쟁점

실제 대규모 실시간 거래 데이터에서도 이미지 변환 방식이 GNN의 정밀도와 처리 속도를 능가할 수 있는지에 대한 의문이 있을 수 있다.

실용적 조언

추상적인 네트워크 로그나 그래프 데이터를 분석할 때 시각화 후 VLM을 활용한 분류를 시도하면 빠른 프로토타이핑이 가능하다.
AMD GPU 환경에서 ROCm 스택을 사용하여 최신 파인튜닝 기법을 적용할 수 있다.

섹션별 상세

전통적인 규칙 기반 엔진이나 GNN이 탐지하기 어려운 분산 공격(Splitting attacks) 문제를 해결하기 위해 시각적 접근법을 도입했다. 고액 거래를 수천 개의 미세 거래로 쪼개는 공격은 통계적으로는 정상처럼 보이지만, 2D 그래프로 시각화하면 특정 허브나 체인 형태의 독특한 위상적 서명을 남긴다는 점에 착안했다.

Qwen2-VL-2B-Instruct 모델을 기반으로 LoRA 파인튜닝을 실시하여 시각적 레이아웃 내 구조적 관계 인식 능력을 극대화했다. LoRA 설정은 rank=16, alpha=32로 지정하여 어텐션 프로젝션 레이어(q, k, v, o)를 타겟팅했으며, 이를 통해 모델이 그래프의 기하학적 형태를 효과적으로 학습하도록 유도했다.

실험을 위해 NetworkX와 Matplotlib을 사용하여 10,000개의 합성 거래 그래프 이미지 데이터셋인 Dogon-10K를 생성했다. 데이터셋은 정상 거래, 드레인 스타(Drain Star), 믹싱 체인(Mixing Chain), 조정된 클러스터(Coordinated Cluster) 등 4가지 클래스로 구성되어 모델의 분류 성능을 검증하는 기반이 됐다.

AMD MI300X 하드웨어와 ROCm 스택을 활용하여 PEFT 및 TRL 라이브러리의 성능을 스트레스 테스트했다. 작성자는 GNN을 위해 복잡한 커스텀 오토인코더를 설계하는 대신 VLM의 시각적 의도 해석 능력을 활용함으로써 새로운 체인 스키마에 대한 대응 속도를 높일 수 있었다고 밝혔다.

용어 해설

시각 언어 모델(VLM): — 이미지와 텍스트를 동시에 이해하고 처리할 수 있는 멀티모달 AI 모델이다. 이 프로젝트에서는 그래프 데이터를 이미지로 변환하여 시각적 패턴을 인식함으로써 악성 거래를 탐지하는 데 활용됐다.
그래프 신경망(GNN): — 그래프 구조의 데이터를 직접 처리하기 위해 설계된 신경망 아키텍처이다. 노드와 엣지 간의 관계를 학습하며, 전통적으로 금융 거래 네트워크 분석이나 분자 구조 예측 등에 널리 사용된다.
저순위 어댑터(LoRA): — 거대 모델의 전체 파라미터를 수정하는 대신 일부 저순위 행렬만을 학습시켜 효율적으로 파인튜닝하는 기법이다. 적은 계산 자원으로도 특정 도메인에 맞춰 모델을 최적화할 수 있게 해준다.
라데온 오픈 컴퓨팅(ROCm): — AMD 하드웨어에서 GPU 가속 컴퓨팅을 수행하기 위한 오픈소스 소프트웨어 플랫폼이다. NVIDIA의 CUDA와 유사한 역할을 하며, 딥러닝 프레임워크가 AMD GPU에서 작동하도록 지원한다.

언급된 도구

Qwen2-VL-2B-Instruct추천

그래프 이미지 분류를 위한 베이스 시각 언어 모델

NetworkX중립

합성 거래 그래프 데이터 생성

ROCm추천

AMD 하드웨어 가속을 위한 소프트웨어 스택

언급된 리소스

GitHubHugging Face: imina_na_lora Weights