[Linux/Unix] 기초 프로젝트 : 금융 이상 거래 탐지 시스템 개발

 

 

유닉스 프로그래밍 교과목을 수강하고 난 기초 지식으로 다음과 같은 시스템을 기획하여 코딩해보았습니다!

많이 부족한 부분이 많지만, 전반적으로 배운 내용을 활용해보기 위한 프로젝트이니 가볍게 봐주시면 감사하겠습니다.

Contents

1. 프로그램 소개 2. 시스템 설계도 3. 사용 기술 4. 사용 메뉴얼 5. 사용 예

---

1. 프로그램 소개

 가상의 대규모 금융 거래 데이터를 입력받아 다중 프로세스 구조로 분산하고, 각 프로세스 내부에서는 멀티스레드를 활용해 병렬 분석으로 분석 속도를 극대화하는  시뮬레이션 시스템입니다. 실시간으로 발생하는 비정상적인 거래 패턴을 감지하여 관리자에게 알림을 제공합니다.

 

해당 프로그램은 다음과 같은 비정상 거래 패턴을 감지합니다.

No.	유형	설명	설정 기준
1	초대량 거래	단일 거래의 총액이 미리 설정된 기준치를 초과하는 경우	1천만원 이상
2	고빈도 매매	특정 종목의 단기간에 반복적인 매매가 발생하는 경우 → 봇 거래, 시세 조종 시도 가능성 有	1초 내 10건 이상
3	비정상적 매도 압박	특정 종목에 대해 일정 시간 동안 매수 대비 매도 비율이 극단적으로 높아지는 경우 →내부자 거래, 투매 유도 가능성 有	매도:매수 > 3:1

 

 

2. 시스템 설계도

1. Client: analyze trade_log.csv 4 입력 (거래 내역 파일, 사용할 스레드 수)

2. Server: Worker 프로세스 생성 (fork + exec)

3. Worker: 4개 스레드로 파일 분할

4. 각 스레드가 데이터 분석 시작

5. 이상 징후 발견 즉시 → add_anomaly() 호출

6. 실시간 알림 출력 (stderr)

7. 분석 완료 후 최종 보고서 생성

8. Server가 결과를 Client로 전달 (FIFO)

9. Client가 화면에 표시

 

 

시스템은 크게 4가지 컴포넌트로 구성되며, 각각의 역할과 핵심 API는 다음과 같습니다.

컴포넌트	구현 역할	UNIX API 핵심	관련 내용
Client	사용자 인터페이스로 명령어를 입력하고 분석 결과를 수신합니다.	FIFO (mkfifo)	관제 시스템, 트레이딩 모니터링
Server	중앙 제어 장치로 Client의 요청을 처리하고 Worker/Monitor 프로세스를 생성 및 관리합니다.	fork, exec, waitpid, sigaction	거래소의 중앙 처리 엔진 (Matching Engine)
Analysis Worker	실제 금융 데이터 파일을 분석하며 이상 징후를 감지합니다. pthread를 이용해 파일 I/O 및 데이터 처리를 병렬로 수행합니다.	Pthread (병렬 처리), 파일 I/O (open/read)	부정 거래 감지 시스템(FDS), 고빈도 거래(HFT) 분석
System Monitor	- CPU/메모리 사용량을 측정하여 공유 메모리에 실시간으로 기록합니다.	mmap (공유 메모리), sysconf, /proc 파일 I/O	서버 성능 모니터링 시스템, 자원 관리

 

 

 

3. 사용 기술

구현 사용 API	적용되는 모듈
opendir, readdir, open, read, write	Worker, Monitor
sysconf	Monitor
getpid, getppid	Server (로그 및 관리)
fork(), exec(), waitpid()	Server (Worker 및 Monitor 생성/동기화)
sigaction(), kill()	Server (안전 종료 루틴, SIGINT 처리)
mmap(), munmap()	IPC 1: Monitor ↔ Server (시스템 상태 공유)
mkfifo(), open(), read(), write()	IPC 2: Client ↔ Server (명령/알림 전달)
pthread_create(), pthread_join()	Worker (데이터 병렬 분석)

 

 

 

4. 사용 메뉴얼

1) 빌드

$ make

 

 

2) 테스트 데이터 생성

# 일반 테스트 (10만 건)
$ make data
 
# 대용량 테스트 (100만 건)
$ make data-large

 

생성되는 데이터 형식:

csv 파일로 [Time,StockID,Type,Price,Quantity,Amount] 형태로 생성된다.

예시

10:23:45,S1042,B,5320,150,798000 10:23:46,S1015,S,8950,25000,223750000  # 초대량 거래 (이상 징후)

 

 

3) 시스템 실행

터미널 1 - Server 실행:

./server

 

터미널 2 - Client 실행:

./client

 

 

4) 명령어 사용

Client에서 사용 가능한 명령어:

> analyze trade_log.csv 4    # 4개 스레드로 분석 시작
> status                      # 시스템 상태 조회
> help                        # 도움말 표시
> exit                        # 시스템 종료

 

 

5. 사용 예

1) 가상 데이터 생성

$ make data ════════════════════════════════════════════════════════════════   Generating Test Financial Trade Data ════════════════════════════════════════════════════════════════ DATA_GEN: Generating 100000 records to 'trade_log.csv'... DATA_GEN: [ANOMALY] Generating HFT pattern at 00:15:32 for Stock S1045 (15 trades) DATA_GEN: [ANOMALY] Generating sell pressure at 00:42:18 for Stock S1067 (40 sells, 10 buys)   ════════════════════════════════════════════════════════════════                    Data Generation Complete! ════════════════════════════════════════════════════════════════ Total records: 100000 Anomalies injected:   - Massive trades: 982   - HFT patterns: 95 (total 1425 trades)   - Sell pressure patterns: 88 ════════════════════════════════════════════════════════════════

 

2) 컴파일 및 실행

> analyze trade_log.csv 4   ╔════════════════════════════════════════════════════════════════╗ ║              ANOMALY DETECTION ANALYSIS STARTED               ║ ╚════════════════════════════════════════════════════════════════╝ [SERVER] Worker (PID 12345) analyzing 'trade_log.csv' with 4 threads... [SERVER] Please wait for analysis completion...   WORKER (TID 1): Analysis complete. Anomalies: Massive=245, HFT=23, SellPressure=22 WORKER (TID 2): Analysis complete. Anomalies: Massive=248, HFT=25, SellPressure=21 WORKER (TID 3): Analysis complete. Anomalies: Massive=241, HFT=24, SellPressure=23 WORKER (TID 4): Analysis complete. Anomalies: Massive=248, HFT=23, SellPressure=22   ╔════════════════════════════════════════════════════════════════╗ ║          FINANCIAL ANOMALY DETECTION ANALYSIS REPORT          ║ ╚════════════════════════════════════════════════════════════════╝   Worker PID: 12345 | Threads: 4 | Status: SUCCESS Maximum Trade Amount: $224450000   --- Anomaly Summary ---   • Massive Trades: 982 detected   • High-Frequency Trading Patterns: 95 detected   • Abnormal Sell Pressure: 88 detected   • Total Anomalies: 1165   --- Detailed Anomalies (First 20) --- [Massive Trade] Massive trade detected: Stock S1015, Type: S, Amount: $223750000 at 10:23:46 [High-Frequency Trading] Stock S1045: 15 trades within 1 second at 00:15:32 [Abnormal Sell Pressure] Stock S1067: Abnormal sell pressure (Sell:Buy = 40:10, ratio: 4.00) ...

 

3) 상태 조회

> status   ╔════════════════════════════════════════════════════════════════╗ ║                  REAL-TIME SYSTEM STATUS                       ║ ╚════════════════════════════════════════════════════════════════╝ Last Updated: Thu Dec 05 15:30:42 2025 CPU Usage: 45.30% Memory: 62.15% used (3842156 KB free / 10156032 KB total) Active Worker: None (Idle) ════════════════════════════════════════════════════════════════

 

 

---

첨언

프로젝트 설계는 "대규모"라고 했으나,

실제 환경에서 대규모 금융 데이터를 직접 확보하거나 생성하는 데에는 현실적인 제약이 있습니다. 따라서 데이터 규모 자체보다는 시스템 레벨의 병목 현상을 어떻게 해결하고 최적화하는지에 더 큰 의미를 두고자 합니다. 

개발 초기에는 Kaggle Credit Card Fraud Detection 데이터셋을 활용하고자 하였습니다. 이 데이터는 총 284,807건의 거래 중 492건의 비정상 거래를 지닌 데이터셋으로 병렬 처리 구조를 테스트해보기에 적절하다고 판단했습니다. 

▶ https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud

하지만 익명화 된 거래 내역으로 인해 코드 작성이 번거로워지고, 명확히 그 내용을 알 수 없어 직접 데이터를 생성하고 분석하는 방식으로 변경하였습니다.

 

실제 실행 코드는 아래 Github 링크에서 확인할 수 있습니다.

https://github.com/lxvxxu/UNIX_PROGRAMMING/tree/main/banking-fraud-detection

---