1. 네트워크 분석이란?

네트워크는 상호 연결된 개체들, 그룹, 또는 시스템 간 관계 구조를 말합니다. 우리의 현실 세계는 사람, 조직, 사물 등이 끊임없이 연결되며, 이 관계 속 연결망이 하나의 네트워크로 이루어져 있습니다. 우리의 현실 세계는 어떤 네트워크로 대상 간 관계를 이루고 있을까요?

네트워크 분석은 이런 관계 구조를 수학적으로 분석하고 시각화하여 개체 간 상호 작용과 정보 흐름을 이해하는 방법론 입니다.

네트워크 분석의 기원은 1930년대 재이콥 모레노의 소시오그램에서 시작되었습니다. 사회 구조 분석에서 발전한 네트워크 분석은 사회학, 생물학, 인류학, 컴퓨터 네트워크, 소셜미디어 분석 등 다양한 분야로 확장되었으며, 오늘날 복잡한 시스템의 구조적 패턴을 파악하는데 핵심적인 도구로 사용되고 있습니다.

<네트워크 시각화>

1). 네트워크의 기본 구성 요소

네트워크는 노드(Node), 링크(Link), 가중치(Weight) 세 가지 요소로 이루어져 있으며, 이 요소들은 정의되는 방식에 따라 분석 결과의 해석이 크게 달라집니다.

<노드, 링크 구조>

① 노드

노드는 네트워크를 구성하는 하나의 ‘개체(Entity)’이며, 그래프 이론에서는 정점(Vertex)이라고 표현합니다. 분석하는 데이터의 종류에 따라 노드의 의미가 완전히 달라집니다.

대상: 사람, 조직, 국가, 계좌, IP, 전화번호, 웹 페이지 등
예: 금융 분석에는 계좌로 노드를 대상으로 하며, 수사 분석에서는 피의자, 피해자, IP등이 노드가 될 수 있습니다.

즉, 노드는 어떤 대상을 중심으로 관계를 정의하는 과정이며, 네트워크 구조의 전체 방향을 결정하는 역할을 합니다.

② 링크

링크는 개체 간 관계의 흐름을 나타내며, 관계를 연결하는 선(Edge)을 의미합니다. 단순히 “연결되어 있다” 의미일 수도 있으며, “누가 누구에게 보냈다” 로 방향성이 포함된 관계를 의미할 수도 있습니다. 링크는 네트워크를 관계 중심으로 해석할 수 있는 구조가 됩니다.

예: 송금, 대화, 접속 기록, 방문 경로, 팔로우 관계
방향이 있으면, 화살표(→)로 표현하고, 방향이 없다면, 단순한 선으로 표현합니다.

③ 가중치

가중치는 “얼마나 강한 관계인가?”를 나타내는 값입니다. 단순 연결을 넘어 관계의 강도, 빈도, 중요도를 수치로 표현하고, 시각적으로 링크의 굵기, 투명도등으로 표현됩니다.

예: 금융에서는 거래 금액, 거래 횟수로 SNS 에서는 메시지 수, 연락 빈도등으로 도메인에 따라 가중치 설정이 가능합니다.

가중치를 고려하는 순간 분석 관점의 해석은 달라집니다. 예를 들어, 같은 금융 도메인이더라도, 동일 계좌로 반복적인 송금으로 흐르는 패턴이 보일 수도 있고, 특정 계좌로 집중되는 비정상 거래 패턴으로 포착할 수 있습니다.

이에 따라 네트워크 분석에서는 방향성과 가중치가 중요한 요소입니다. 노드 간 관계의 연결 여부를 넘어 “어디로 흐르는지”, “어느정도 강도인지”등 해석하여, 해석 방식과 분석 결과에도 직접적인 영향을 줍니다.

2). 네트워크 그래프 종류

<네트워크 그래프 종류>

방향성과 가중치 기준으로 네트워크 그래프 종류로 유방향(Directed) 네트워크, 무방향(Undirected) 네트워크, 가중치 없는 네트워크(Binary), 가중치 네트워크(Valued)인 총 4가지 네트워크가 있습니다.

① 유방향(Directed) 네트워크

간선에 방향이 있어 유방향 네트워크라고 하며, 간선은 원천 노드에서 목표 노드로 이동하여 노드의 이동 순서가 중요합니다. 노드의 이동 순서 기준으로 방향이 있는 화살표 선으로 시각화로 표현됩니다. 이때, 간선은 단방향으로, 각 간선은 한 방향으로만 진행하여, 양방향 관계가 형성되지 않습니다. ‘흐름’ 기반 데이터인 송금, 정보 흐름, 웹 링크가 이에 해당합니다.

②무방향(Undirected) 네트워크

간선에 방향이 없어 무방향 네트워크라고 하며, 유방향 네트워크와 달리 노드의 이동 순서가 중요하지 않아 화살표가 없는 선으로 표현합니다. 방향이 없기 때문에 양방향 관계를 의미하며, ‘연결 존재’ 의미가 중요합니다. 소셜 관계형 데이터인 친구 관계, 공동 구매등이 이에 해당합니다.

가중치는 노드 간 관계를 수치로 표현한 값으로 네트워크의 간선에 가중치가 있을 수도 없을 수도 있습니다. 가중치는 노드 간 관계가 얼마나 강한지, 얼마나 많이 이동했는지 등을 정량적으로 알 수 있는 지표입니다. 가중치 유무에 따라 가중치 없는 네트워크(Binary), 가중치 네트워크(Valued)로 분류할 수 있습니다.

③ 가중치 없는 네트워크(Binary)

가중치 없는 네트워크는 노드 간의 관계가 존재하는지 유/무를 판단하고, 이 판단을 이진 값으로 나타냅니다. 두 노드 간의 관계가 있음 혹은 없음의 결과로 표현되는 네트워크입니다. 관계의 강도나 정도를 나타내는 가중치를 부여하지 않고, 단지 두 노드 간 연결 관계만 표현됩니다. 네트워크 분석의 가장 기본적인 형태이며, 관계 유무를 통해 네트워크 구조를 분석하는데 사용됩니다.

④가중치 네트워크(Valued)

가중치 네트워크는 두 노드 간의 단순 연결을 넘어서, 간선에 관계의 정도, 강도, 빈도등 ‘수치적 의미’를 부여한 네트워크입니다. 즉, 연결의 중요도를 표현하며, 가중치 값이 높을 수록 더 강한 관계를 의미합니다. 가중치 네트워크를 통해 현실적인 패턴을 포착할 수 있습니다. 예를 들어 금융 거래에서 송금 금액, 거래 횟수등을 가중치로 설정하여 반복, 집중 흐름을 구조적으로 파악할 수 있습니다.

3). 네트워크 구조 이해를 위한 핵심 요소

네트워크는 노드 간 관계로 중점을 두고 있어, 시각적으로 표현된 형태뿐 아니라, 구조 자체가 어떤 특징을 가지고 있는지 중요합니다. 네트워크의 구조를 이해할 때 주로 활용되는 기본 지표는 무엇이 있을까요?

① 노드 수(Node Count)

네트워크를 구성하는 개체의 수를 의미합니다. 노드가 많을 수록 네트워크의 크기가 커지고, 구조는 복잡해집니다. 예를 들어, 금융 거래 네트워크라면 계좌가 많을수록 전체 거래 구조가 커지고 해석 난이도도 높아집니다.

②연결선 수(Edge Count)

연결선 수는 특정 노드가 다른 노드와 얼마나 연결을 맺는지에 대한 수입니다. 예를 들어, 소셜 네트워크에서는 노드가 사람으로 정의되고, 연결선 수가 많을수록, 인맥이 넓은 사람으로 해석할 수 있습니다. 연결선 수가 많아지면 해당 노드의 영향력과 중심성이 높아질 수 있습니다.

③ 밀도(Density)

네트워크가 얼마나 촘촘하게 연결되어 있는지를 나타내는 비율입니다. 전체 가능한 연결 중 실제로 연결된 비율을 계산한 값입니다. 밀도가 높을수록 노드 간 연결이 활발하고 구조가 복잡하며,밀도가 낮을수록 느슨하고 연결이 적은 네트워크로 해석할 수 있습니다.

금융 사기 분석에서는 비정상적으로 밀도가 높은 지역이 특정 패턴(집중 송금, 반복 거래 등)과 관련될 수 있다.

결과적으로, 노드 수는 규모를 나타내고, 연결선 수는 관계 강도를 나타내며, 밀도는 네트워크의 연결성을 나타냅니다. 세 특징만으로 네트워크의 구조가 얼마나 복잡하고, 어떤 특징을 가지는지 네트워크의 기본적인 구조를 파악할 수 있습니다.

3). 네트워크의 구조적 특징

네트워크 구조를 이해했으니, 네트워크 구조를 시각적으로 보고 “이 네트워크 안에서 누가 핵심일까?” 하는 궁금증이 생깁니다. 이 궁금증을 해결하기 위해 중심성(Centrality) 개념을 이해하는 것이 중요합니다. 중심성은 노드나 링크의 중요도를 수치로 나타내는 지표이며, 분석 목적에 따라 서로 다른 방식으로 계산됩니다.

① 연결 정도 중심성(Degree Centrality)

연결 정도 중심성은 가장 간단하면서 기본적인 지표입니다. 한 노드가 다른 노드와 얼마나 많이 연결되었는지를 계산하는 방법입니다. 노드 간 링크의 방향성에 따라 들어오는 링크(In-degree)와 나가는 링크(Out-degree)의 값이 달라집니다. 들어오는 링크 수는 그 노드의 인기도를 볼 수 있고, 나가는 링크 수는 그 노드의 영향력을 볼 수 있습니다. 연결선이 많으면 네트워크 상에서의 활동성이 높기 때문에 자연스럽게 중요한 노드로 해석할 수 있습니다.

예를 들어, 금융 네트워크에서 거래가 몰리는 계좌가, SNS에서 팔로워가 많은 계정이 이에 해당합니다.

②매개 중심성(Betweenness Centrality)

연결선의 숫자보다 네트워크에서 어떤 ‘위치’를 차지하고 있는지에 집중하는 지표입니다. 한 노드가 다른 노드들을 잇는 최단 경로 속에서 얼마나 등장하는지 계산하여, 특정 노드의 중요도를 측정하는 방법입니다.

많은 최단 경로에 포함되면, 정보 흐름을 통제하고 중개하는 역할이며, 거의 포함되지 않는다면, 네트워크 흐름에 미치는 영향이 적다고 해석할 수 있습니다.

매개 중심성이 높은 노드는 네트워크 내 브릿지(Bridge), 관문(Gatekeeper) 역할을 하며, 금융 사기 분석에서는 여러 계좌들을 중계하는 허브 계좌가 여기에 해당합니다.

③ 근접성 중심성(Closeness Centrality)

근접성 중심성은 한 노드가 네트워크 전체와 얼마나 ‘짧은 거리’에 있는지를 나타내는 지표입니다. 즉, 다른 노드들까지 얼마나 빠르게 도달할 수 있는지가 핵심이며, 값이 높을수록 정보·자금 흐름의 중심에 가까운 노드라는 의미입니다.

자금 흐름 분석에서는 특정 계좌가 여러 경로의 중간 허브 역할을 수행하는지, 조직 내에서 얼마나 효율적으로 연결돼 있는지 파악할 때 사용됩니다.

④고유벡터 중심성(Eigenvector Centrality)

위 방법들로, 노드의 중요도를 정확히 설명하기 어려우며, 네트워크 분석의 한계점이 있습니다. 그래서 중요도가 높은 노드와 연결된 다른 노드들의 중심성을 계산하는 방법입니다. 이 지표를 통해 네트워크에서 연결된 다른 노드도 중요하다는 의미를 가져올 수 있습니다. 즉, 자신이 연결된 노드들이 얼마나 중요한지, 이웃 노드들의 중심성도 같이 측정해야한다는 것입니다. 즉, 중요도가 높은 노드에 연결된 노드일 수록 그 노드들도 중요한 것으로 판단하는 척도입니다.

이로 인해, 네트워크의 전반적 영향력 구조를 반영하고, 페이지 랭크가 이 방식에서 출발한 대표적인 분석을 측정하는 방식입니다.

결론적으로, 중심성 지표들은 모두 ‘중요도’를 측정하지만, 각 방식마다 바라보는 관점이 다르기 때문에 해석의 방향도 달라집니다.

연결정도 중심성은 얼마나 많은 계좌와 직접 연결되어 있는지, 매개 중심성은 네트워크 흐름에서 어떤 경로를 이어주며 중간에서 무슨 역할을 하는지, 근접성 중심성은 다른 계좌들과의 경로가 얼마나 짧은지를 기반으로 중심성을 판단하고, 고유벡터 중심성은 얼마나 중요한 노드들과 다시 연결되어 있는가를 통해 영향력을 계산합니다.

이와 같이, 중심성 유형에 따라 노드의 중요도는 전혀 다른 관점으로 해석될 수 있습니다.

2. 금융 데이터로 사기 의심 계좌 패턴 분석

1). 네트워크 분석이 사기 탐지에 적합한 이유

금융 거래 데이터는 일반적으로 표 형태의 정형 데이터입니다. 이 정형 데이터로만 보고, 사기 패턴을 직접적으로 파악하는 것은 어렵습니다.

금융 사기의 본질은 돈이 어떻게 흘러가는지가 중요합니다. 이를 정형 데이터로만 본다면, 누가 누구에게 보냈는지, 돈이 어디로 이동하는지, 특정 계좌를 중심으로 돈이 몰리는지 등의 패턴들을 한 눈에 파악할 수 없습니다. 결국, 사기 패턴은 데이터의 관계 속에서 숨어 있으며, ‘관계 구조’를 분석하는 네트워크 분석이 금융 사기 탐지를 찾아내는데 핵심적인 기법입니다.

금융 사기 구조 패턴

보이스피싱, 피싱, 중개 계좌 기반 사기등 금융 사기들은 대부분 비슷한 사기 패턴을 가지고 있습니다.

<금융 사기 거래 패턴>

사기 계좌로 돈이 모이고, 여러 브로커 계좌들로 나가는 구조이며, 일반적인 금융 거래에서 발생하지 않는 패턴으로, 네트워크 분석 방식을 통하여 중간 사기 계좌를 쉽게 판별할 수 있습니다.

사기 조직의 자금 흐름은 프로세스를 갖추고 있습니다. 피해자는 사기 조직의 메인 계좌로 보내고, 이 메인 계좌는 브로커 계좌로 돈을 보내며, 브로커는 현금 인출하는 계좌로 송금하게 되는 구조입니다.

사기 자금 흐름은 1:1 데이터가 아닌, 다중 데이터와 반복되는 연결 방향, 가중치가 있는 구조로 네트워크 분석으로 해석하는 것이 가장 효과적입니다.

중심성 지표로 사기 계좌 찾기

네트워크 분석의 중심성 지표로, 연결 정도 중심성(Degree), 매개 중심성(Betweenness), 근접성 중심성(Closeness), 고유벡터 중심성(Eigenvector)로 사기 계좌를 빠르게 파악할 수 있습니다.

연결 정도 중심성(Degree): 사기 조직 중심인 허브 계좌 판별
매개 중심성(Betweenness): 여러 사람의 돈을 중개하는 브로커 계좌
근접성 중심성(Closeness): 네트워크 전체와 거리가 가장 짧아 빠르게 연결되는 핵심 계좌
고유벡터 중심성(Eigenvector): 중심 계좌들에게 다시 연결되는 상위 사기 조직 계좌

단순 표에서는 보이지 않는 패턴이라도, 네트워크 구조로 보면 훨씬 명확한 형태로 드러나며 사기 조직의 흐름을 파악할 수 있습니다.

실제 금융 사기는 피해자가 초기 허브 계좌로 송금하고, 이 허브 계좌가 다시 여러 중계·분산 계좌로 돈을 흩어보낸 뒤, 마지막 단계에서 인출책 계좌로 모아 현금화하는 방식이 흔하게 나타납니다.

즉, 금융 사기는 결국 돈의 흐름이 만드는 관계 구조이기 때문에, 연결 정도 중심성, 매개 중심성, 근접성 중심성, 고유벡터 중심성과 같은 중심성 분석을 통해 의심 계좌를 추려내는 것이 가장 효과적인 방법입니다.

2). 네트워크 분석: 데이터 연결 구조로 사기 의심 계좌 패턴 분석

이번 금융 사기 패턴 분석에서는 계좌 간 송금 흐름을 기반으로 네트워크를 구성하고, SNA 중심성 지표를 적용해 핵심 계좌와 조직적 자금 흐름 패턴을 확인하였습니다.

분석 데이터 소개

본 분석에서는 Kaggle의 Synthetic Transaction Monitoring Dataset인 공개 금융 거래 데이터를 활용해 계좌 간 송금 흐름을 기반으로 네트워크를 구성하였습니다.

데이터 모델링

활용	사용한 컬럼	설명	주요 값
노드	Sender_account	송금 주체 계좌 ID
노드 속성	Payment_currency	송금 계좌 통화	UK pounds, Dirham, Indian rupee 등
노드 속성	Sender_bank_location	송금 은행 위치
노드	Receiver_account	수취 계좌 ID
노드 속성	Received_currency	수취 계좌 통화	UK pounds, Dirham, Pakistani rupee 등
노드 속성	Receiver_bank_location	수취 은행 위치
링크	Sender_account → Receiver_account	송금 방향을 유방향 관계로 설정
링크 날짜	Date	거래 날짜
링크 시간	Time	거래 시간
링크 속성	Payment_type	거래 방식	ACH, Cash Deposit, Cash Withdrawal, Cheque, Credit card, Cross-border, Debit card
	Is_laundering	의심 거래 여부	0: 정상, 1: 의심
	Laundering_type	거래 유형	Normal_Fan_In, Normal_Fan_Out, Normal_Group 등
가중치	Amount	거래 금액

노드(Node)

송금 계좌(Sender)와 수신 계좌(Receiver)를 각각 하나의 노드로 표현하고,

각 노드에는 사용 은행, 거래 통화로 기본 속성을 부여하였습니다.

링크(Link)

거래는 송금 → 수신 방향의 단방향 링크로 구성하였습니다.

링크에는 거래 날짜/시간 등 시점 정보와 함께 거래 방식(Payment_type), 의심 여부(Is_laundering), 거래 유형(Laundering_type) 등을 속성으로 포함시켰습니다.

가중치(Weight)

거래 금액을 링크 가중치로 설정해, “어떤 경로로 자금이 크게 이동했는가”를 네트워크 계산에 반영할 수 있도록 모델링하였습니다.

라벨링

Is_laundering(정상/사기) 여부와 별개로, Laundering_type(거래 유형)은 데이터 라벨링 과정에서 사기 가능성을 기반으로 자동 분류된 값이기 때문에, 비정상 패턴 탐지에 참고할 수 있습니다.

요약하자면, 금융 거래 데이터를 기반으로 송금 흐름 네트워크를 구성하고, 각 계좌(노드)와 거래 링크의 속성에 필요한 데이터로 설정하였습니다.

거래는 송금 → 수신 방향으로 단방향 링크로 구성하고, 거래 시점·방식·라벨 등의 정보를 속성으로 포함시켰습니다. 이 구조로 단순 거래 목록으로는 보이지 않는 관계 기반 사기 패턴을 중심성 지표와 시각적으로 파악할 수 있도록 네트워크 분석을 진행하였습니다.

네트워크 시각화

네트워크를 시각화해 보면 사기 패턴에서 나타나는 가장 기본적인 다중 패턴입니다. 하나의 계좌를 중심으로 위·아래가 서로 다른 흐름으로 갈라지는 점이 가장 먼저 눈에 들어옵니다. 중심에 위치한 계좌는 대량의 거래를 단일 지점에서 처리하고 있으며, 이 계좌를 중심으로 뚜렷하게 두 가지 거래 패턴이 나타납니다.

<하나의 계좌로 돈이 모이는 Fan-in 구조>

첫 번째는 중심 계좌로 여러 개의 계좌가 수렴하는 Fan-in 구조입니다. 서로 독립적인 여러 노드에서 중심 노드로 단방향 흐름이 반복적으로 연결되었습니다. 이 구조는 금액이나 거래 위험도를 고려하지 않더라도, 계좌 간 관계만으로도 ‘자금 수집(collecting)’에 해당하는 패턴을 직관적으로 보여줍니다. 이러한 형태는 실제 금융 거래에서도 여러 계좌에서 특정 계좌로 자금이 집중될 때 나타나는 전형적인 ‘수집(collecting)’ 구조로 해석할 수 있습니다. 연결 방향과 계좌 간 집중도만으로도 중심 계좌에 자금 흐름이 모이는 구조적 특징을 분명하게 확인할 수 있습니다.

<하나의 계좌에서 돈이 나가는 Fan-out 구조>

두 번째는 반대로 중심 계좌에서 외부로 자금이 흩어지는 Fan-out 구조입니다. 이 구조는 자금을 여러 계좌로 흩어 보내 흐름을 숨기려 할 때 자주 나타나는 전형적인 ‘분산(distribution)’ 형태입니다. 형태를 보면, 하나의 노드에서 여러 노드에게로 방향이 흐르며, 반복적으로 발생합니다. 이는 일반적인 송금 흐름보다, 의도적으로 자금을 쪼개는 패턴과 유사한 모습입니다.

이 SNA 분석을 측정하지 않고, 시각화만으로도 거래 방향과 연결 밀도에서 드러나는 흐름을 통해 자금 사기 패턴을 빠르게 감지할 수 있다는 점은 네트워크 분석의 큰 장점입니다. 단순 표나 리스트에서는 보이지 않던 중심 계좌의 역할, 특정 지점으로의 흐름 집중, 반복되는 구조적 패턴이 시각화 단계에서 이미 선명하게 드러납니다.

이러한 바탕으로, 이제 SNA 중심성 알고리즘을 적용해 각 계좌가 네트워크에서 어떤 영향력을 갖고 있는지 더 정밀하게 분석할 수 있습니다.

SNA 분석(연결 정도·매개 중심성·고유벡터) 적용한 네트워크 분석 결과

이번 분석에서는 특정 계좌(5772924864, 4689351304)를 중심으로 연결 정도 중심성(Degree), 근접성(Closeness Centrality), 고유벡터 중심성(Eigenvector)을 계산하여 자금 흐름 내 역할을 분석하였습니다.

① 5772924864 계좌의 네트워크 분석

<계좌 5772924864의 분석 결과 값>

⦁ 연결 정도 중심성(Degree Centrality)

5772924864 계좌는 도(Out)이 100% 라는 건, 전체 그래프에서 가장 많이 나가는 연결선을 가진 중심 노드로 나타났습니다. 이는 하나의 계좌가 다수의 거래를 발생시키는 출발점 역할을 하고 있어 출금 중심의 계좌입니다.

반면 도(Out) 0% 값으로, 외부에서 들어오는 연결이 없다라는 의미입니다. 주변 계좌들은 도(Out-degree)가 0% 값으로 측정되어, 나가는 거래는 없이 일회성 노드라고 표현되고, 대부분 단일 또는 극히 적은 횟수로 거래하였습니다. 더 나아가 현금 인출책이라는 사기 범죄 조직이라는 역할로도 해석할 수 있습니다.

이를 통해 5772924864 계좌는 입금은 거의 없고 출금만 하는 계좌로, 분배자인 역할을 하는 노드입니다.

⦁ 근접성(Closeness Centrality)

5772924864 계좌의 근접성(In)의 32.258%는 외부 노드들이 이 계좌에 도달하는 데 상대적으로 멀다라는 의미입니다.

반면, 근접성(Out) 100% 값으로, 이 계좌에서 다른 계좌로 가는 경로가 매우 짧아, 돈을 보내는 쪽에서는 가장 빠른 출발 노드입니다. 즉, 입금은 없지만, 출금 경로는 가장 짧게 펼쳐지는 출발 노드입니다.

⦁ 고유벡터 중심성(Eigenvector / authority, hub)

authority(In) 0%는 5772924864 계좌로 돈을 보내는 계좌들이 없고, 허브(Out) 100% 라는 건, 영향력 있는 노드에게 연결을 보내는가를 의미합니다.

고유벡터 기준에서 이 계좌와 연결된 노드들은 의미 있는 계좌들이기에, 여러 중요한 노드로 돈을 흘려보내는 출발점입니다. 입금은 없지만, 출금은 매우 영향력 있는 노드들에게 돈이 흘러갑니다. 결론적으로, 이 계좌는 네트워크 내에서 영향력 있는 노드들을 향해 자금을 공급하는 발신 허브(Hub Source) 역할을 합니다.

② 4689351304 계좌의 네트워크 분석

<계좌 4689351304의 분석 결과 값>

⦁ 연결 정도 중심성(Degree Centrality)

4689351304 계좌는 근접성, 도, authority(In) 값이 100%로 가장 높습니다. 이는 네트워크 내 다수의 거래가 이 계좌로 집중되고 있음을 의미합니다.

여러 계좌가 반복적이고 규칙적인 거래를 통해 동일한 한 계좌로 돈을 보내고 있습니다. 이 패턴은 자금 세탁의 초입 단계에서 자주 등장하는 자금 집중(collecting) 구조와 유사합니다.

또한 4689351304에서 이어지는 전체적인 구조를 보면, 이후 일부 거래가 Fan-Out 계좌들로 다시 흩어지는 형태입니다.

즉, Fan-In에서 Fan-Out으로 이어지는 혼합형 구조가 명확하게 드러납니다. 다른 계좌들은 연결 정도가 낮으며 대부분 단발성·반복성 유입 패턴을 가지는 단순 노드입니다.

⦁ 근접성(Closeness Centrality)

4689351304 계좌의 근접성(In)이 100% 값은 이 계좌는 네트워크 상에서 다른 노드들로부터 가장 짧은 경로에 위치한 계좌라는 의미입니다.

즉, 다른 계좌에서 이 계좌로 도달하는 경로가 매우 짧다라는 의미입니다. 그래서 여러 송금 흐름이 이 계좌를 중심을 모이며, 중심 허브 역할을 합니다. 다수 계좌에서 이 계좌로 돈이 모이게 되는데, 이 계좌는 입금 중심으로 허브 노드인 중간책입니다.

4689351304 계좌의 근접성(Out)은 67.742% 값은 이 계좌에서 다른 계좌로 나아가는 경로는 상대적으로 길다는 의미입니다. 이 계좌는 돈이 들어오는 경로는 짧고, 나가는 경로는 멀어서 제한적입니다.

이 구조는 들어오는 흐름이 강하고, 나가는 흐름은 제한된 구조로 실제 자금 세탁 패턴에서도 전형적인 Fan-in 구조입니다.

⦁ 고유벡터 중심성(Eigenvector / authority, hub)

4689351304 계좌의 authority(In)이 100% 값은 본 계좌로 들어오는 송신자(sender)들이 네트워크에서 영향력 있는 노드들입니다. 이 계좌는 영향력 높은 노드들로부터 입금을 받는 핵심 지점입니다. 단순히 많은 계좌가 연결된 계좌가 아니라, 중요 노드들이 연결된 계좌로 해석할 수 있습니다.

허브(Out) 값이 0%는 이 계좌가 다른 영향력 높은 노드로 자금을 보내지 않는 다는 의미이며, 본 계좌는 ‘분배자’가 아닌 자금의 집결점 역할을 하는 노드입니다.

전체 분석 결과

① 피해자 혹은 입금책 계좌 → ② 모집책 수집 계좌(4689351304)

→ ③ 조직 중간 송금책(5772924864) → ④ 단발성 출금 계좌(사기 조직범 의심 계좌)

전체 흐름을 보면, 조직 내부에서 돈이 ‘수금 → 분배 → 인출 ‘으로 이어지는 대표적인 사기·자금세탁 패턴이 반복되고 있습니다.

이 분석 결과로 5772924864 계좌는 출금·송금만 단독으로 수행하는 분배 허브 노드로, 조직 내부에서 송금책 역할을 담당합니다. 5772924864 계좌에서 다수의 계좌로 확산되는 자금세탁·사기 조직이 특유의 Fan-out 구조와 일치합니다.

따라서 이 자체를 범죄자로 단정할 수는 없지만, 금융사기 네트워크에서 중간 분배계좌에서 조직원 인출계좌로 이어지는 전형적인 패턴을 나타내고 있습니다.

반대로 4689351304 계좌는 여러 경로의 자금이 하나로 집중되는 모집책·수금책 계좌입니다. 주변 계좌들은 반복적인 입금 패턴을 보여 피해자 계좌 혹은 사기조직범인 입금책 계좌라고 할 수 있습니다.

전체적으로 이 네트워크는 Fan-in/Fan-out 구조를 통한 자금 분산 및 재집결 방식입니다. 즉 사기·자금세탁 조직이 실제 사용하는 돈을 나누고 다시 모으는 흐름으로 반영하고 있어, 핵심 계좌 두 개(분배 허브/수집 허브)를 중심으로 추가 조사가 필요한 패턴임을 보여줍니다.

이 네트워크 분석으로 정형화된 금융 거래 데이터로 보이지 않는 자금 사기 흐름 패턴을 확인해보았습니다.

특히, Fan-in/Fan-out 구조가 반복적으로 나타나는 조직적 송금 흐름은 금융 사기·자금세탁 조직에서 자주 발견되는 전형적인 자금 이동 방식과 일치하며, 핵심 계좌(중간 분배 허브, 모집책 계좌)를 빠르게 식별하였습니다.

향후 실제 데이터나 고급 지표를 함께 활용한다면, 더 정밀한 사기 탐지 모델 구축에도 확장될 수 있을 것입니다.

이 글로 “금융 거래 네트워크가 어떻게 사기 패턴을 드러내는가”를 이해하는 데 도움이 되었다면 좋겠습니다.