• 프린트
  • 메일
  • 스크랩
  • 글자크기
  • 크게
  • 작게

두나무, 금융 AI 학술대회 'ICAIF 2026'서 논문 3편 채택…AI·블록체인 융합 연구 성과

메인 컨퍼런스 1편·전문 워크숍 2편…거래소 지갑 식별 기술 실제 서비스 적용

박대연 기자 | pdy@newsprime.co.kr | 2026.11.17 09:11:51

두나무가 ICAIF 2026 학술대회에서 논문 3편이 채택되는 성과를 냈다. (왼쪽부터) 논문 저자인 소민섭 두나무 FDI팀 팀장, 박성찬 두나무 퀀트팀 연구원, 김성용 두나무 FDI팀 연구원, 전현호 두나무 퀀트팀 팀장. ⓒ 두나무


[프라임경제] 디지털자산 거래소 업비트를 운영하는 두나무는 자사의 연구 논문 3편이 세계적인 금융 인공지능(AI) 학술대회 'ICAIF 2026'에서 채택됐다고 17일 밝혔다. 메인 컨퍼런스에서 1편, 전문 워크숍에서 2편이 각각 채택되며 AI·블록체인 융합 연구 성과를 인정받았다.

ICAIF 2026(ACM International Conference on AI in Finance)은 세계적인 컴퓨터 분야 학술단체 ACM(Association for Computing Machinery)이 주관하는 금융 AI 전문 국제 학술대회다. 블랙록을 비롯해 JP모건, 비자, 마스터카드, 스탠다드차타드 등 글로벌 기업들이 대거 참여할 정도로 대표적인 국제 학회로 꼽힌다.

이달 14일부터 17일까지 이탈리아 밀라노 보코니대학교에서 개최된 ICAIF 2026에는 역대 최대 규모인 1000편 이상의 논문이 투고됐다. 메인 컨퍼런스의 논문 채택률은 약 22%를 기록했다.

이번에 채택된 논문들은 AI 기반 거래소 지갑 식별, 디지털자산 분류, 블록체인 자금 추적 등 디지털자산 데이터 분석의 정확성과 신뢰성을 높이기 위한 연구를 다뤘다. 특히 거래소 지갑 식별 연구 성과는 업비트 데이터랩의 블록체인 분석 서비스에 실제 적용됐으며, 나머지 연구 역시 디지털자산 분류 체계와 온체인 자금 추적 기술의 고도화를 위한 기반을 마련했다.

메인 컨퍼런스에 채택된 논문은 '준비금 증명을 활용한 이더리움 기반 중앙화 거래소 지갑의 온체인 행동 특성 분류(On-Chain Behavioral Signatures for Classifying Centralized Exchange Addresses on Ethereum Using Proof-of-Reserves)'다.

이 연구는 블록체인 거래 데이터를 분석해 중앙화 거래소가 보유한 지갑을 식별하는 머신러닝 기반 방법론을 제시했다. 연구진(박성찬 두나무 퀀트팀 연구원 등)은 15개 거래소가 공개한 준비금 증명(Proof-of-Reserves) 데이터를 기반으로 약 303만개의 이더리움 지갑 주소를 분석했다. 이를 통해 거래 패턴과 토큰 이동, 가스(트랜잭션 전송 비용) 사용량 등 58개 행동 특성을 도출했다.

특히 모델 학습에 사용하지 않은 거래소 지갑을 대상으로도 분류 성능을 평가한 결과, PR-AUC(Precision-Recall Area Under the Curve) 지표가 평균 0.9594(1에 가까울수록 높은 정확도)를 기록했다. 해당 지표는 AI 모델이 특정 대상을 얼마나 잘 찾아내는지 평가하는 지표다. 

이는 기존에 알려진 거래소 지갑뿐 아니라 새로운 거래소의 지갑을 식별할 수 있는 가능성을 보여준 것이다. 해당 연구에서 개발한 기술은 업비트 데이터랩의 블록체인 분석 서비스 내 거래소, 고래, 재단 등 주체별 보유 현황 등에 일부 적용됐다.

전문 워크숍 논문으로 채택된 '기관용 디지털자산 분류 체계를 위한 의미 변환(Semantic Lifting for Institutional Digital Asset Taxonomies: An Auditable LLM Workflow for DeFi Classification)' 연구는 대형언어모델(LLM)을 활용해 스마트 컨트랙트 코드를 분석하고, 디지털자산의 실질적인 용처를 파악해 이에 따라 분류하는 방법을 제시했다.

연구진(전현호 두나무 퀀트팀 팀장 등)은 유니스왑, 에이브, 커브 등 이더리움 메인넷상의 대표적인 탈중앙화 금융(DeFi) 프로토콜을 대상으로 금융 기능에 따른 세부 분류 실험을 진행했다. 대형언어모델(LLM)을 활용해 스마트 컨트랙트 코드를 자연어로 변환해 분류한 결과, 분석 대상 17개 중 16개(약 94%)가 기존 분류 기준과 일치했다.

특히 이번 연구에서 제시한 방법론은 AI가 도출한 분류 근거를 사람이 직접 검토하고 검증할 수 있다는 점이 특징이다. 연구진은 향후 업비트 디지털자산 분류 체계(UBCS) 고도화 과정에도 해당 기술을 적용할 계획이다.

또 다른 워크숍 논문인 '불완전한 거래 기록에서의 입금 자금 사용액 추정 범위(How Much of a Deposit Can Fund a Payment? Bounds from Incomplete Transaction Histories)' 연구는 거래 기록이 불완전한 상황에서도 블록체인 자금의 흐름을 신뢰성 있게 분석하기 위해 필요한 정보와 조건을 연구했다.

연구진(김성용 두나무 FDI팀 프로젝트 리더, 소민섭 두나무 FDI팀 팀장 등)은 이더리움 지갑의 거래 사례와 블록체인 실행 실험을 통해 자금 출처 분석의 신뢰성을 뒷받침하는 핵심 정보를 확인했다.

이번 연구는 두나무의 온체인 자금 추적 솔루션인 OTS(Onchain AI Tracer System)의 분석 신뢰성을 높일 수 있는 기술적 근거를 마련했으며, 향후 AI 기반 자금 추적 및 금융 범죄 분석 기술의 고도화에도 활용될 것으로 기대된다.

김대현 두나무 최고데이터책임자(CDO)는 "이번 연구는 AI 기술을 활용해 블록체인 데이터를 보다 정교하게 분석하고 그 결과의 신뢰성을 높일 수 있는 가능성을 확인했다는 점에서 의미가 크다"며 "앞으로도 AI와 블록체인 기술의 융합 연구를 지속해 디지털자산 산업의 기술 혁신을 선도해 나가겠다"고 말했다.

  • 이 기사를 공유해보세요  
  •  
  •    
맨 위로

저작권자(c) 프라임경제, 무단전재 및 재배포금지, AI 학습 및 활용 금지




 

많이 본 뉴스