본 논문은 이더리움 스마트 컨트랙트에서의 사기 행위 탐지를 위한 새로운 방법을 제시한다. 기존의 코드 분석이나 특징 추출 기반 방법들의 확장성 및 적응성 한계를 극복하기 위해, 그래프 표현 학습을 이용하여 구매 트렌드를 관찰하고 사기 거래를 탐지하는 접근 방식을 제안한다. 이더리움 거래 데이터를 그래프 구조로 변환하고, SMOTE-ENN 기법을 활용하여 레이블 불균형 문제를 해결하며, 다층 퍼셉트론(MLP)과 그래프 합성곱 신경망(GCN) 모델을 비교 평가한다. 실험 결과, MLP 모델이 GCN 모델보다 우수한 성능을 보이며, 실제 사례와의 높은 정합성을 보여준다. 이는 이더리움 생태계의 신뢰도와 보안성 향상에 기여할 수 있는 확장 가능하고 효율적인 방법을 제시한다.
