온체인 데이터를 기반 이더리움 DEX 밈 토큰 러그풀 조기 탐지 모델 연구 = An Early Detection Model for Meme Token Rug Pulls on Ethereum Dex Using On-Chain Data

국문 초록 (Abstract)

탈중앙화 거래소（DEX）는 가상자산 거래의 핵심 인프라로 자리 잡았으나, 누구나 심사 없이 토큰을 발행하고 유동성 풀을 생성할 수 있는 무허가（permissionless） 구조로 인해 사기와 자금세탁의 진입장벽이 크게 낮아졌다. 국내에서는 2024년 7월 가상자산이용자보호법이 시행되었으나, 그 실효적 적용은 중앙화 거래소에 국한되어 DEX 영역은 규제 공백으로 남아 있다. 이러한 배경에서 본 연구는 이더리움 Uniswap V2 상 밈토큰 러그풀의 조기 탐지 모델을 제안하고, 사례 기반 분석을 통해 그 적용 가능성을 검증한다. BigQuery에 적재된 2023년 1월부터 2025년 6월까지의 이더리움 온체인 데이터를 활용하여 러그풀 3,301개와 정상 3,300개로 구성된 균형 데이터셋 6,601개를 구축하였다. 러그풀 레이블은 TVL 90% 이상 감소, 가격 95% 이상 하락, 발행자 LP 90% 이상 회수의 세 조건을 동시에 충족하는 보수적 기준을 적용하였다. 컨트랙트 정적, 유동성 풀, 거래 패턴, AML 기반 지갑 행위（SDH, SPI, CBFS）, 시간의 5개 범주에 걸쳐 설계한 51개 특징 중 레이블 누출 가능성이 있는 3개를 제외하고 48개를 학습에 사용하였다. 시간순 분할（Temporal Split）을 일관 적용한 상태에서 트리 기반 앙상블 모델을 비교하여 XGBoost를 최종 모델로 선정하였다. 테스트셋（581개）에서 본 모델은 F1 0.7846, 정밀도 0.6971, 재현율 0.8971, AUC-ROC 0.9479를 기록하여 랜덤 포레스트（F1 0.74） 등 전통적 베이스라인을 상회하였다. 시간축 분석 결과 F1은 관측 0시점 0.28에서 24시점 0.78로 상승하여, 컨트랙트 정적 특징만으로는 불충분하며 거래 패턴의 누적이 조기 탐지의 핵심임을 정량적으로 확인하였다. SHAP 분석에서는 거래 패턴·시간·유동성 풀 그룹이 주된 판단 요인으로 식별되었으며, AML 기반 지갑 행위 특징 중 시빌 패턴 지수（SPI）는 탐지 유효성이 확인된 반면 SDH와 CBFS는 한계적 기여에 그쳤으나 사례 기반 포렌식 해석에 기여하였다. 26분 내에 발생한 대표적 신속형（Quick） 러그풀 사례（모델 예측 확률 0.9884）는 가상자산이용자보호법 제10조 제4항과 정합하는 모델의 적용 가능성을 보여준다. 저자가 아는 한 본 연구는 DEX 밈토큰 러그풀에 특화된 탐지 모델을 제안하고 6,601개 토큰 데이터셋을 구축한 국내 최초의 연구이다. 또한 AML/CFT 실무 기반의 지갑 행위 특징 3종을 도입하고, 시간순 분할과 시간축 조기 탐지 분석을 일관 적용함으로써 선행연구의 시간적 데이터 누출 문제를 체계적으로 해소한다.

다국어 초록 (Multilingual Abstract)

Decentralized exchanges （DEXs） have become core infrastructure for virtual asset trading, but their permissionless structure—allowing anyone to issue tokens and create liquidity pools without screening—has lowered the entry barrier for fraud and money laundering. In Korea, the Act on the Protection of Virtual Asset Users took effect in July 2024, yet its effective application remains confined to centralized exchanges, leaving a regulatory void in the DEX domain. Against this backdrop, this study proposes an early-detection model for meme-token rug pulls on Ethereum Uniswap V2 and verifies its applicability through case-based analysis. Using Ethereum on-chain data stored in BigQuery and covering January 2023 through June 2025, we constructed a balanced dataset of 6,601 tokens （3,301 rug pulls and 3,300 normal tokens）. Rug pulls were labeled under conservative criteria requiring the simultaneous satisfaction of three conditions: a TVL drop of at least 90%, a price drop of at least 95%, and creator LP withdrawal of at least 90%. Of 51 features engineered across five categories—contract static, liquidity pool, trading pattern, AML-based wallet behavior （SDH, SPI, CBFS）, and temporal—3 with potential label leakage were removed, leaving 48 for training. Tree-based ensemble models were compared under a consistently applied Temporal Split, and XGBoost was selected as the final model. On the test set （581 tokens）, the model achieved an F1-score of 0.7846, precision of 0.6971, recall of 0.8971, and AUC-ROC of 0.9479, outperforming conventional baselines such as random forest （F1 0.74）. Time-axis analysis showed the F1-score rising from 0.28 at the 0-hour mark to 0.78 at the 24-hour mark, quantitatively confirming that the accumulation of trading patterns, rather than contract static features alone, is central to early detection. SHAP analysis identified the trading-pattern, temporal, and liquidity-pool groups as the primary decision drivers; among the AML-based wallet behavior features, the Sybil Pattern Index （SPI） demonstrated detection effectiveness, whereas SDH and CBFS contributed only marginally yet supported case-based forensic interpretation. A representative Quick-type rug-pull case, occurring within 26 minutes with a model prediction probability of 0.9884, illustrates the model's applicability, consistent with Article 10（4） of the Act on the Protection of Virtual Asset Users. To the best of the author's knowledge, this is the first Korean study to propose a detection model specialized for DEX meme-token rug pulls and to construct a dataset of 6,601 tokens. It introduces three AML/CFT practice-based wallet behavior features and, by consistently applying a Temporal Split with time-axis early-detection analysis, systematically addresses the temporal data leakage problem found in prior research.

목차 (Table of Contents)

• 제1장 서 론 1
• 제1절 연구의 배경 및 목적 1
• 1. 연구의 배경 1
• 2. 연구의 목적 5
• 제2절 연구의 범위 및 방법 7
• 1. 연구의 범위 7
• 2. 연구의 방법 8
• 제2장 DEX 밈토큰 러그풀의 실태와 규제 10
• 제1절 DEX 및 밈토큰 생태계 10
• 1. 탈중앙화 거래소（DEX）의 구조 10
• 2. 밈토큰의 정의와 특성 11
• 3. 러그풀의 정의와 유형 12
• 제2절 DEX 러그풀 피해 현황 14
• 1. 글로벌 피해 규모 14
• 2. 주요 피해 사례 14
• 3. 본 연구 데이터셋 기반 통계 16
• 제3절 DEX 러그풀 국내외 규제 현황 16
• 1. 한국: 가상자산이용자보호법 17
• 2. 국제 동향: FATF, MiCA, SEC 18
• 제3장 DEX 밈토큰 러그풀 탐지의 제약요인 20
• 제1절 법규제의 적용 한계 20
• 1. 가상자산이용자보호법의 적용 한계 20
• 2. FATF 권고와 국제 합의 부재 22
• 3. 사후 대응의 한계 23
• 제2절 탐지 기술의 미흡 24
• 1. 밈토큰 특화 탐지 모델의 부재 24
• 2. 시간적 데이터 누출 문제 26
• 3. 시간축별 조기 탐지 분석의 부재 26
• 4. 포렌식 관점의 결여와 해석 가능성 부재 27
• 제3절 가상자산업계의 대응 역량 한계 28
• 1. 신속 사기에 대한 대응 시간 부족 28
• 2. VASP의 DEX 자금 흐름 모니터링 한계 29
• 3. 상업용 도구의 한계 29
• 제4절 통합 거버넌스의 부재 30
• 1. 세 차원의 한계가 갖는 상호 연관성 30
• 2. 본 연구의 통합적 접근 32
• 제4장 DEX 밈토큰 러그풀 조기 탐지 모델의 구현과 검증 34
• 제1절 러그풀 조기 탐지 모델의 설계 34
• 1. 모델 운용 프로세스 개관 34
• 2. 데이터셋 구성과 레이블링 38
• 3. 조기 탐지 모델의 구축 43
• 제2절 탐지 모델 실험 결과와 SHAP 분석 49
• 1. 실험 결과에 대한 SHAP 분석 49
• 2. 탐지 모델의 유용성 56
• 3. 조기 탐지 모델의 실무 적용 방향 59
• 제3절 러그풀 조기 탐지 모델의 실무 적용 및 기여 60
• 1. 자금흐름 분석의 효율성 증대 60
• 2. 현행 법규제와 정합성 확보 62
• 3. VASP FDS 통합 모델 기초 63
• 4. 글로벌 FDS와 동조성 65
• 제5장 결 론 68
• 참고문헌 71
• 부록 A 본 연구 추출 51개 특징 전체 정의 75
• 부록 B Decision Tree（d=3） 규칙 구조 79
• ABSTRACT 81