그래프 기술로 사기 탐지: Neo4j와 GraphRAG 활용기

• Graph Data Science
• Machine Learning

그래프 기술은 데이터의 그래프 표현을 저장, 관리 및 `Query`하는 것을 의미해요. 여기서 `Node`는 정점이 되고, `Relationship`은 가장자리로 변환되죠. 세분화된 관계 분석을 통해 그래프 분석을 활용하면 알고리즘과 `Query`를 통해 이상 징후를 찾아낼 수 있어요.

주요 장점은 Graph Database가 `Relationship`에 의해 자연스럽게 `Index`된다는 점이에요. 그래프 기술을 사용하면 사용자는 사전에 많은 모델링을 하지 않고도 데이터를 포함할 수 있죠. 이 모든 것이 그래프 기술을 사기꾼의 속임수와 속도를 따라잡는 데 매우 유용하게 만들어줘요.

그래프를 통한 이상 탐지

사기 탐지에서 일반적으로 분석은 이산형 데이터 분석과 연결된 데이터 분석이라는 두 가지 방식으로 분류돼요.

개별 데이터 분석에서는 개별 활동, 사용자, 계정을 평가하지만, 연결된 데이터 분석에서는 통합된 행동과 관계가 중요해요. 사기 감지에도 도움이 되죠. 그래프 모델링 및 분석은 특히 연결된 데이터 분석에 유용한 것으로 입증되었어요.

연결된 데이터와 그래프 기술 덕분에 여러분은 다음과 같은 것들을 할 수 있어요:

• 조직에 대한 정보를 병합하고 연관시켜요.
• 연결된 그래프처럼 결과를 보여줘요.
• 소셜 네트워크와 링크를 적용해서 인사이트를 발견할 수 있어요.

이제 기업이 연결된 데이터 분석을 사용해서 실제 비즈니스 문제를 해결하는 방법을 한번 살펴볼까요?

소셜 미디어 네트워크에서 봇 계정 찾기

소셜 미디어는 오늘날 세상에 점점 더 많은 영향을 미치고 있고, 마케팅 담당자들은 이 플랫폼의 최신 트렌드를 파악하느라 정신이 없죠.

예를 들어, 특정 제품을 판매하는 경우 해당 제품 카테고리에서 무엇이 인기 있는지 알고 싶을 거예요. 마케팅 담당자는 자사 제품이 경쟁사와 비교해서 어떤지, 자사 제품에 대한 대중의 인식, 사람들이 소셜 미디어에서 해당 제품에 대해 말하는 내용 등을 알고 싶어하죠.

이런 종류의 정보는 정말 중요해요. 하지만 데이터가 부정확하거나 회사의 경쟁업체가 봇에 돈을 쏟아부어서 정보가 왜곡되면 소용이 없겠죠. 가짜 봇은 인기에 관해서 왜곡된 정보를 제공하거든요. 일부 대상 계정의 인기를 높이기 위해 이런 봇들은 해당 계정을 리트윗해요.

이러한 계정의 진위 여부를 정확하게 알아내기 위해, 특정 사용자는 리트윗 횟수를 edge 가중치로 사용해서 계정의 그래픽 표현을 묘사해서, 이 계정이 이웃 계정을 리트윗한 횟수를 정확하게 결정할 수 있어요.

여기서 마케터들은 인기 있는 계정이 부자연스럽게 인기 있는 계정과 다른 특징을 보인다는 것을 알 수 있을 거예요.

이러한 계정을 분석하는 동안 부자연스러운 편차가 있는 일부 계정을 볼 수 있을 텐데요. 다음과 같은 방법으로 그래프와 관계를 사용해서 더 많은 봇을 찾을 수 있어요.

• 리트윗 수가 많은 계정 식별
• 다른 계정이 리트윗하는 방식 결정
• 이 봇에서만 리트윗되는 계정 찾기

순환 결제

순환 자금 이체는 대부분의 금융 범죄에서 추적할 수 있는 일반적인 패턴 중 하나에요. 이 패턴에서는 자신에게 돈을 보내고 이를 '일반 계좌' 간의 합법적인 자금 이체로 위장하죠. 하지만 이 계정은 사실 가짜 계정이에요.

일반적으로 그들은 도난당한 신원(이메일 주소 및 유사한 정보)에서 생성된 특정 세부 정보를 공유해요. 이러한 종류의 정보는 그래프 분석을 해당 정보를 찾는 완벽한 도구로 만들어주죠.

이러한 종류의 Use Case에서는 주소, 비밀번호, 이메일 주소 등과 같은 특정 세부 정보를 공유하는 엔터티 간의 전환 그래프를 묘사해서 그래픽 표현을 만들 수 있어요. 사용자가 이 정보를 사용해서 그래프를 만든 후에 남은 것은 기본적인 `Query`를 작성하고 이를 실행해서 비슷한 종류의 세부 정보를 가진 계정을 가진 사람들을 검색하는 것이에요.

금융 사기 및 자금 세탁

자금 세탁에서는 불법 자금을 실제 합법적인 돈과 섞어서 자산으로 전환해요. 이러한 유형의 탈세 계획은 브로커와 허위 재판매업체에 의존하며, 이들은 세금 환급을 신청하여 지불을 회피할 수 있도록 하죠.

`Graph Database`를 사용하면 사용자가 분류, `Machine Learning`, 패턴 인식 및 통계 분석을 이러한 모델에 적용해서 대용량 데이터 세트에 대해 대규모로 보다 효과적인 검사를 수행할 수 있는 관계 모델이 제공돼요.

사례 상관관계를 살펴보자

규정에 따라 의심스러운 거래가 이루어지면 조사관의 정밀 조사를 받게 돼요. 이 경우의 주요 목표는 사전에 알려진 연결에 따라 모든 의심스러운 활동을 그룹화하는 것이 아니라 모든 개별 활동을 개별적으로 조사하는 것이죠.

이러한 상관관계를 확인하려면 그래프 기반 기술을 사용해야 해요. 사용자는 일반 그래프 시스템의 도움뿐만 아니라 `Query`(경로 찾기)와 일치하는 필터 및 패턴이 있는 연결된 구성 요소 그래프 알고리즘을 사용해서 이 흐름을 구현할 수 있어요.

회사가 이 방법을 사용하면 맞춤형 사례 상관 엔진을 구축할 필요가 없어요. 대신 유연성이 향상된 그래프 기술을 사용할 수 있죠.

결론

의심할 여지 없이 오늘날 사기꾼은 점점 더 발전하고 있어요. 하지만, 기술도 이 경쟁에서 뒤처지지 않아요. `Graph Database`와 같은 기술은 데이터에서 진실을 찾는 좋은 방법이죠. 전 세계적으로 이 기술은 점차 관련성을 얻고 있으며 모든 비즈니스에 중요한 도구에요.

이 백서를 통해 기업 사기 탐지 활동을 위해 `Graph Database`의 강력한 기능을 활용하는 방법을 알아보세요. 사기 탐지: `Graph Database`와의 연결 검색.

• 데이터 모델링
• Machine Learning

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지