그래프로 범죄를 예측하다: 마약범죄 분석의 새로운 패러다임
최근 몇 년 동안 약물 남용과 약물 중독은 사회에 큰 부담이 되고 있습니다. 마약 범죄 예방에 대한 대중의 기대에 부응하기 위해 상당한 자원을 투입하고 있지만, 사회 패턴이 급변함에 따라 먀약 범죄자들도 다른 지역을 통해 마약을 생산, 운반, 판매함으로써 수사를 피하는 방법을 모색하고 있어 마약 예방에 어려움을 겪고 있습니다.
이러한 사회적 문제를 해결하기 위해 마약 범죄 네트워크와 SNA 기법을 활용하여 마약 재범을 예측하는 사례[1]를 소개합니다.
네트워크 중심성을 활용해 마약 범죄 재범을 예측할 수 있습니다
배경
기존 범죄 예측 모델의 구조적 한계
마약 범죄는 조직적인 성격이 강하고, 범죄자 간의 은밀한 관계망을 통해 이뤄지는 경우가 많습니다.
그러나 지금까지의 범죄 예측 모델은 대부분 범죄자의 인구통계학적 특성에만 주목해 왔습니다. 따라서, 기존의 통계 분석 방법론이나 범죄자 개별 속성 기반을 학습하여 구축한 모델은 범죄 조직의 구조적 특성을 반영하지 못해 재범 예측력에 한계를 보여주고 있습니다.
또한 범죄자들은 수사망을 피하기 위해 고의로 네트워크를 단절시키는 등 복잡한 회피 전략을 사용하고 있기 때문에 단순 속성 기반 모델은 감지하지 못합니다.
주요 아이디어
범죄 네트워크 분석을 활용한 재범 예측
이 연구에서는 마약 관련 범죄자 네트워크 데이터를 기반으로 범죄자 간 연결강도와 중심성을 수치화합니다.
그리고 기존의 범죄자 개인 속성과 결합하여, 범죄자의 관계적 특징(feature)으로 활용합니다.
최종적으로 범죄자의 다른 속성과 함께 학습시켜 재범 가능성을 예측하는 분류 모델을 구축하였습니다.
솔루션
1단계. 범죄자 네트워크 구성
이 연구에서는 대만 신베이시 경찰청의 2017년 마약 범죄 데이터를 수집하였습니다.
범죄자 데이터(노드): 성별, 나이, 키, 직업, 국적, 학력 총 6개의 범죄자 개별 속성을 포함한 4,561명의 마약 관련 범죄자 데이터 수집
범죄 네트워크(링크): 마약 관련 범죄자 4,561명 중 공범 관계를 기반으로 구성된 네트워크
2단계. 네트워크 중요도(중심성) 계산
마약 관련 범죄자들 간의 관계에서의 중요도를 계산하기 위해서 4가지의 중심성 분석을 진행하였습니다.
이렇게 계산된 네트워크 중심성을 각 범죄자의 개별 속성으로 추가합니다.
<예시 데이터>
※ Age, Height는 0-1사이로 정규화된 데이터
3단계. 잠재적 재범 후보 식별 모델
앞의 학습 데이터를 활용해, 아래와 같이 여러 관리자 식별 모델을 구축했습니다.
결론
범죄자의 공범 네트워크 구조를 반영한 재범 분류 모델
마약 관련 범죄자의 기본 정보와 이들 간의 네트워크 중심성 결과를 함께 학습한 머신러닝 모델이 기본 정보 데이터 또는 네트워크 중심성 지표만을 학습한 머신러닝 모델 결과보다 약 5 ~ 7% 더 높은 재범 분류 성능을 달성하였습니다.
특히, Decision Tree 모델의 성능이 7.3% 로 가장 크게 향상된 것을 알 수 있습니다.
결론적으로, 범죄자의 기본 정보만이 아닌 공범 네트워크 구조를 함께 반영한 데이터를 학습했을 때, 보다 정확한 재범 분류가 가능한 것을 알 수 있습니다.
<일반 머신러닝의 학습 데이터별 성능 비교>
※ 재범 분류의 F1-score 결과(%)
마약 범죄는 더 이상 개인의 문제가 아닌 복잡한 관계망의 산물입니다. 이 연구는 범죄자 간 공범 관계를 네트워크로 구성하고, 각 범죄자의 중심성을 분석하여 재범 가능성을 예측했습니다. 기존 개인 속성 기반 접근보다 그래프 기반 속성이 더 정확하게 재범을 예측하며, 두 속성을 결합한 모델이 최고의 성능을 보였습니다.
이처럼 그래프 분석은 복잡한 범죄 패턴을 이해하고 예측하는 데 효과적인 도구로 자리 잡고 있으며, 앞으로 범죄 예방 및 보안 분야에서 핵심 기술로 부상할 것으로 전망됩니다.
(주) 사이람
1660-4230 | netminer@cyram.com
References
[1] Fu-Ching Tsaia, Ming-Chun Hsub,c, Chien-Ta Chenc, Da-Yu Kaob (2019).
Exploring drug-related crimes with social network analysis. Procedia Computer Science, 159, (2019) 1907–1917.