检测异常加密货币交易：机器学习的取证技术在反洗钱/反恐融资中的应用
密码学与安全
2023-03-21 v3 分布式、并行与集群计算
机器学习
摘要
在塑造货币互联网的过程中，区块链与分布式账本技术（DLTs）在金融领域的应用引发了监管关切。值得注意的是，尽管该领域实现的用户匿名性可保障隐私与数据保护，但可识别性的缺失阻碍了问责，并对打击洗钱及恐怖主义与扩散融资（AML/CFT）构成挑战。随着执法机构与私营部门将取证技术应用于追踪具有社会技术特性的生态系统中的加密转账，本文聚焦于这些技术在一个其部署影响该领域特征与演化的域中的日益增长的相关性。具体而言，本工作提供了机器学习与交易图分析方法应用的背景化洞见。即，它通过多种技术分析了以有向图网络表示的真实世界比特币交易数据集。将区块链交易建模为复杂网络表明，基于图的数据分析方法可有助于对交易分类并识别非法交易。事实上，本工作显示称为图卷积网络（GCN）和图注意力网络（GAT）的神经网络类型是一种有前景的 AML/CFT 解决方案。值得注意的是，在此场景中 GCN 优于其他经典方法，且 GAT 首次被应用于检测比特币中的异常。最终，本文维护了公私协同的价值，以设计兼具可解释性与数据开放精神的取证策略。
引用
@article{arxiv.2206.04803,
title = {Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics},
author = {Nadia Pocher and Mirko Zichichi and Fabio Merizzi and Muhammad Zohaib Shafiq and Stefano Ferretti},
journal= {arXiv preprint arXiv:2206.04803},
year = {2023}
}