超越静态数据集：基于行为驱动的实体特定模拟，以克服数据稀缺并训练有效的加密反洗钱模型
密码学与安全
2025-01-03 v1 机器学习
摘要
由于加密货币具有去中心化、隐私增强、交易便捷等内在特征，以及在执行监管措施时面临外部困难、数据共享政策存在矛盾等问题，导致其被严重滥用，进行大量非法活动，包括洗钱、暗网交易、诈骗、恐怖主义融资及军火交易等。其中，洗钱是关键需要缓解的犯罪行为，旨在阻止其他非法活动的资金流动。数十亿美元的资金每年被洗钱。由于今天可获得的多种分层策略和洗钱者使用的不断演变的战术和模式，识别洗钱行为变得极其困难。已提出各种检测方法，从涉及完全手动调查的简单方法到机器学习模型。然而，有效训练机器学习模型的可用数据集非常有限。此外，现有数据集是静态的且类别不平衡，给可扩展性和针对特定情景的适用性带来了挑战，由于缺乏针对不同需求的定制化。这是文献中长期存在的挑战。本文提出了一种嵌入实体行为的特定实体货币反洗钱类交易模拟方法，用于生成各种交易类型，并对所观察到的该领域多个实体的行为进行建模。本文讨论了模拟器的设计与架构、使用模拟器生成的自定义数据集，以及在该合成数据上训练的模型在检测实际涉及洗钱的地址方面的性能。
引用
@article{arxiv.2501.00757,
title = {Beyond Static Datasets: A Behavior-Driven Entity-Specific Simulation to Overcome Data Scarcity and Train Effective Crypto Anti-Money Laundering Models},
author = {Dinesh Srivasthav P and Manoj Apte},
journal= {arXiv preprint arXiv:2501.00757},
year = {2025}
}