[論文レビュー] Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics

Nadia Pocher, Mirko Zichichi+3 more|arXiv (Cornell University)|Jun 7, 2022

Blockchain Technology Applications and Security被引用数 11

ひとこと要約

本稿では、Bitcoinのブロックチェーンにおける不正な暗号通貨取引を検出するために、グラフ畳み込みネットワーク（GCN）およびグラフアテンションネットワーク（GAT）を用いた機械学習ベースのフォレンジック手法を提案する。取引を有向グラフとしてモデル化する。GCNは、ランダムフォレストなどの従来手法を上回る性能を示す。一方、GATは本研究で初めてこの文脈に応用され、分散型金融におけるAML/CFT準拠の強力な可能性を示している。

ABSTRACT

In shaping the Internet of Money, the application of blockchain and distributed ledger technologies (DLTs) to the financial sector triggered regulatory concerns. Notably, while the user anonymity enabled in this field may safeguard privacy and data protection, the lack of identifiability hinders accountability and challenges the fight against money laundering and the financing of terrorism and proliferation (AML/CFT). As law enforcement agencies and the private sector apply forensics to track crypto transfers across ecosystems that are socio-technical in nature, this paper focuses on the growing relevance of these techniques in a domain where their deployment impacts the traits and evolution of the sphere. In particular, this work offers contextualized insights into the application of methods of machine learning and transaction graph analysis. Namely, it analyzes a real-world dataset of Bitcoin transactions represented as a directed graph network through various techniques. The modeling of blockchain transactions as a complex network suggests that the use of graph-based data analysis methods can help classify transactions and identify illicit ones. Indeed, this work shows that the neural network types known as Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) are a promising AML/CFT solution. Notably, in this scenario GCN outperform other classic approaches and GAT are applied for the first time to detect anomalies in Bitcoin. Ultimately, the paper upholds the value of public-private synergies to devise forensic strategies conscious of the spirit of explainability and data openness.

研究の動機と目的

• 匿名性の高さと身元情報の欠如により、従来のAML/CFT準拠が困難な分散型システムにおける違法な暗号通貨取引の特定という課題に対処すること。
• 特にGCNおよびGATを含むグラフベースの機械学習モデルの有効性を、実世界のBitcoin取引データにおける異常取引検出という文脈で評価すること。
• ブロックチェーンベースの金融犯罪検出の文脈において、説明可能で公開・非公開の共同型フォレンジック手法の実現可能性と性能を検討すること。
• 進化を続ける暗号通貨エコシステムにおいて、検出精度、解釈可能性、規制準拠のバランスを取るRegTechソリューションの開発に貢献すること。

提案手法

• 著者らは、Bitcoin取引を有向グラフネットワークとしてモデル化し、取引の入力と出力をそれぞれノードとエッジとして表現する。
• グラフ構造データに特化したディーブラーニングアーキテクチャであるグラフ畳み込みネットワーク（GCN）およびグラフアテンションネットワーク（GAT）を適用し、取引を正常または異常のいずれかに分類する。
• モデルは、ノード次数、クラスタ係数、中心性指標などのグラフ構造由来の特徴量を用いて、実世界のBitcoin取引データセット上で学習を行う。
• モデルの性能は、精度、再現率、F1スコアといった標準的な分類指標を用いて評価され、ランダムフォレストなどの古典的手法と比較される。
• 本研究ではモデルの説明可能性に重点を置き、透明性と規制適合性を確保するため、公的・民間の連携を推進する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの機械学習モデルは、実際のBitcoin取引データにおける不正な暗号通貨取引を効果的に検出できるか？
• RQ2 AML/CFT取引分類の文脈において、GCNおよびGATモデルはランダムフォレストなどの従来の機械学習手法と比較して、どの程度の性能を示すか？
• RQ3 本研究で初めてBitcoinにおけるAML/CFT異常検出にグラフアテンションネットワーク（GAT）を応用するという、新規性と潜在的価値は何か？
• RQ4 説明可能な、公開可能なフォレンジックモデルは、暗号通貨取引監視における規制準拠をどの程度向上させ、誤検出をどの程度低減できるか？

主な発見

• グラフ畳み込みネットワーク（GCN）モデルは、ランダムフォレストを含む古典的手法のベースラインを上回り、不正Bitcoin取引の分類において優れた性能を示した。
• グラフアテンションネットワーク（GAT）モデルはGCNに比べ若干性能が低いが、AML/CFTフォレンジックスにおける新規なアプローチとして強く期待できる。
• 本研究では、GATモデルを用いてBitcoin取引における異常検出を初めて実施したとされ、ブロックチェーンフォレンジックス分野における顕著なイノベーションを示している。
• 結果から、グラフベースのモデルが違法活動検出に関連する複雑な取引パターンや構造的特徴を的確に捉えるのに適していることが示された。
• 著者らは、モデルの説明可能性とデータのオープン性が、規制機関への信頼を確保し、コンプライアンスシステムにおける過剰報告を低減するために不可欠であると強調している。