StableAML：基于以太坊稳定币反洗钱行为特征检测的机器学习方法

全球非法资金流动年额约3.1万亿美元，其中稳定币因其流动性成为受欢迎的洗钱工具。尽管去中心化协议日益采用零知识证明来掩盖交易图谱，但集中式稳定币仍是合规性的关键“透明制导点”。借助这种持久可见性，本研究分析了以太坊数据集并利用行为特征开发了稳健的反洗钱框架。我们的发现表明，基于域知识的树集成模型在宏观F1分数上显著优于图神经网络，而后者在交易网络日益碎片化的情况下难以应对。该模型的可解释性不仅限于二元检测，成功地解构了不同类型：它区分了网络犯罪组织复杂且高频率的分散特征，以及制裁实体留下的受限、静态痕迹。这一框架与行业向确定性验证转变的趋势相吻合，满足欧盟MiCA法规和美国GENIUS法案等法规下的可审计性和合规性期望，同时最小化不必要的资产冻结。通过自动化高精度检测，我们提出的方法有效提升了金螊不端行为的经济成本，而不妨碍创新。