区块链上识别洗钱子图

反洗钱（AML）涉及识别金融活动中的洗钱犯罪，如加密货币交易。近期研究从图基机器学习视角推进了AML，將金融交易网表示为图并开发图方法来识别可疑活动。例如，最近的一项开源数据集和基准工作（Elliptic2）将一组被视为由同一实体控制的比特币地址视为图节点，将实体之间的交易视为图边。这种建模揭示了洗钱方案的"形状"——区块链上的子图。尽管该论文展示了引人注目的子图分类结果基准，但竞争方法因图的规模巨大而成本高昂；此外，现有方法需要候选子图作为输入，而在实际应用中可能并不存在。本文引入RevTrack，一个实现大规模AML分析的图框架，具有更低的成本和更高的准确性。关键思想是跟踪资金的最初发送者和最终接收者；这些实体为其各自子图的性质（合法 vs 可疑）提供了强烈指示。基于此框架，我们提出RevClassify，用于子图分类的神经网络模型。此外，我们解决实际问题——候选子图未给定的情况，提出RevFilter。该方法通过迭代过滤合法交易来识别新的可疑子图。对Elliptic2进行基准测试，这是一个新的AML标准，我们表明RevClassify在成本和准确性方面均优于最先进的子图分类技术。进一步，我们证明了RevFilter在发现新的可疑子图方面的有效性，确认了其在实际AML中的实用性。