금융 분야의 이상탐지 모델 보안을 위한 통계 기반의 적대적 데이터 대응 방안 - 실증적 분석과 시뮬레이션 결과 -

Statistical-based Countermeasures for Adversarial Data to Secure Anomaly Detection Models in the Financial Sector

본 연구는 금융 거래 데이터에서 이상 거래를 탐지하는 모델의 성능을 향상시키고, 적대적 공격에 대한 견고성을 높이기 위한 방법론을 제시한다. 증권 거래 데이터를 바탕으로 SVM, 로지스틱 회귀, 랜덤 포레스트, LSTM 모델을 구축하고, 이에 대한 적대적 데이터의 영향을 분석한다. 또한, KS-test, T-test, F-test 등 통계적 기법을 활용한 필터링 방법을 제안하여 적대적 데이터를 효과적으로 차단하고 모델의 성능을 개선하는 방안을 실증적으로 검증한다. 특히, 금융 분야 이상탐지의 특성인 데이터 불균형성을 고려하여 Recall(Truly Anomaly Detection Rate)을 주요 성과 지표로 활용한다. 연구 결과, 제안된 통계적 필터링 방법이 적대적 데이터에 대한 모델의 견고성을 크게 향상시키며, 특히 Recall 측면에서 유의미한 개선을 보임을 확인하였다.

This study aims to improve the performance of anomaly detection models in financial transaction data and enhance their robustness against adversarial attacks. We constructed Support Vector Machine (SVM), logistic regression, random forest, and Long Short-Term Memory(LSTM) models based on securities trading data and analyzed the impact of adversarial data on these models. We propose a filtering method that utilize statistical techniques, such as Kolmogorov-Smirnov test, t-test, and F-test, to effectively block adversarial data. The proposed method was empirically verified for its ability to improve the model performance. Considering the data imbalance characteristic of anomaly detection in the financial sector, we used Recall (True Anomaly Detection Rate) as the primary performance indicator. Our results confirmed that the proposed statistical filtering method significantly enhances the robustness of the models against adversarial data, showing meaningful improvements, particularly in terms of recall. This study contributes to the development of secure and efficient anomaly detection systems in the financial sector.