[論文レビュー] GuiltyWalker: Distance to illicit nodes in the Bitcoin network

Catarina Oliveira, João Torres+4 more|arXiv (Cornell University)|Feb 10, 2021

Crime, Illicit Activities, and Governance参考文献 10被引用数 4

ひとこと要約

GuiltyWalkerは、シードノードからのランダムウォークを用いて、悪意あるBitcoin取引までの距離を計算するグラフベースの特徴工学手法を提案する。この手法により、マネーロンダリング検出のための教師あり機械学習モデルの性能が著しく向上する。既存の特徴と組み合わせることで、F1スコアが5ポイント向上し、特にブラックマーケットの閉鎖時など、従来のモデルが性能を発揮できない状況でも顕著な改善効果を示す。

ABSTRACT

Money laundering is a global phenomenon with wide-reaching social and economic consequences. Cryptocurrencies are particularly susceptible due to the lack of control by authorities and their anonymity. Thus, it is important to develop new techniques to detect and prevent illicit cryptocurrency transactions. In our work, we propose new features based on the structure of the graph and past labels to boost the performance of machine learning methods to detect money laundering. Our method, GuiltyWalker, performs random walks on the bitcoin transaction graph and computes features based on the distance to illicit transactions. We combine these new features with features proposed by Weber et al. and observe an improvement of about 5pp regarding illicit classification. Namely, we observe that our proposed features are particularly helpful during a black market shutdown, where the algorithm by Weber et al. was low performing.

研究の動機と目的

• 取引グラフの構造的特徴を活用して、悪意あるBitcoin取引を検出する教師あり機械学習の性能を向上させること。
• ブラックマーケットの閉鎖など、ネットワークの高頻度な混乱が生じる時期における、従来モデルの限界を是正すること。
• 過去のラベルとネットワークトポロジーを活用して、分類に有用な特徴を抽出する手法を開発すること。
• ランダムウォークから得られる距離ベースの特徴が、標準的な取引特徴とは重複しない独自の情報を提供することを示すこと。
• グラフベースの時間的ダイナミクスを組み込むことで、モデルの頑健性を高め、新たな悪意ある活動の検出能力を向上させること。

提案手法

• GuiltyWalkerは、時系列順序付きBitcoin取引グラフ上でランダムウォークを実行し、シードノードから出発して、インcomingsエッジ（流入エッジ）に従い、過去（以前の）の取引へと移動する。
• ランダムウォークは、既知の悪意あるノードに到達したとき、または有効な先行ノードが存在しなくなった時点で停止する。時間的順序の性質により、無限に続くウォークは発生しない。
• 各シードノードに対して複数回のランダムウォークをサンプリングすることで、悪意あるノードへ至る多様な経路を探索し、構造的近接性を捉える。
• 特徴抽出モジュールは、ウォークからの集計統計（例：最初の悪意あるノードに到達するまでの平均ステップ数、到達可能な異なる悪意あるノード数、ウォーク成功確率）を計算する。
• これらの新規特徴は、Weberら（2019）が提供した元の166個の匿名化済み特徴と組み合わせられ、教師あり分類器の学習に使用される。
• 特徴選択が適用され、情報量の多いGuiltyWalker由来の特徴のみが保持され、モデルの効率性と性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 ランダムウォークから得られるグラフ的構造的特徴は、悪意あるBitcoin取引を検出する教師あり学習の性能を向上させることができるか？
• RQ2 ブラックマーケットの閉鎖など、ネットワークの混乱が生じる時期において、従来モデルの性能はどのように変化するか？
• RQ3 悪意あるノードまでの距離特徴は、標準的な取引特徴と比較して、重複しない独自の情報を提供するか？
• RQ4 GuiltyWalkerの特徴は、従来モデルが見逃していた新たな悪意ある取引を検出するのに役立つのか？
• RQ5 GuiltyWalker特徴は、ネットワークの異なる状態において、モデルの頑健性と一般化能力をどの程度向上させるか？

主な発見

• GuiltyWalkerを用いることで、Weberら（2019）が提供した元の166特徴のみを用いたモデルと比較して、F1スコアが約5ポイント向上した。
• 性能向上は、ブラックマーケットの閉鎖時において特に顕著であり、ベースラインモデルの性能が著しく低下する中で、GuiltyWalkerを統合したモデルは依然として頑健であった。
• 一部のノードが悪意あるノードに到達可能な経路を持たないにもかかわらず、高い特徴値を示す事例が観察されたことから、元の特徴では捉えきれない構造的インサイトが、新規特徴によって得られていることが裏付けられた。
• GuiltyWalker特徴を用いたモデルは、わずかに精度が低いものの、ベースラインモデルや先行のアンサンブル手法を上回る再現率（76.7％）とF1スコア（85.47％）を達成した。
• この手法は、動的または高混乱状態にあるネットワークフェーズにおいて、従来モデルが見逃していた悪意ある取引を効果的に同定できた。
• 特徴選択により、モデル性能がさらに向上した。これは、すべてのGuiltyWalker特徴が同等に情報量が多いわけではないこと、およびフィルタリングにより効率性と正確性が向上することを確認した。