[论文解读] 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 11

一句话总结

本文提出一种基于机器学习的取证方法，利用图卷积网络（GCN）和图注意力网络（GAT），通过将交易建模为有向图，检测比特币区块链中的异常加密货币交易。GCN在性能上优于传统的随机森林等方法，而GAT首次在此背景下应用，展现出在去中心化金融反洗钱/反恐融资（AML/CFT）合规方面的强大潜力。

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.

研究动机与目标

• 为解决在去中心化系统中识别非法加密货币交易的挑战，传统AML/CFT合规因匿名性及缺乏身份信息而受阻。
• 评估基于图的机器学习模型（特别是GCN和GAT）在真实比特币交易数据中检测异常交易的有效性。
• 探讨可解释的、公开-私有协作型取证技术在基于区块链的金融犯罪检测背景下的可行性与性能。
• 为开发监管科技（RegTech）解决方案做出贡献，以在不断演化的加密生态系统中平衡检测准确性、可解释性与合规性。

提出的方法

• 作者将比特币交易建模为有向图网络，其中交易输入和输出分别表示为节点和边。
• 应用图卷积网络（GCN）和图注意力网络（GAT），这两种专为图结构数据设计的深度学习架构，对交易进行正常或异常的分类。
• 模型在真实比特币交易数据集上进行训练，使用源自交易图结构的特征，如节点度数、聚类系数和中心性度量。
• 通过标准分类指标（包括精确率、召回率和F1分数）评估模型性能，并与传统的机器学习基线（如随机森林）进行比较。
• 本研究强调模型可解释性，并倡导公共-私有协作，以确保取证分析的透明性与监管一致性。

实验结果

研究问题

• RQ1 基于图的机器学习模型能否在真实比特币交易数据中有效检测异常加密货币交易？
• RQ2 在AML/CFT交易分类背景下，GCN和GAT模型相较于传统机器学习方法（如随机森林）的性能表现如何？
• RQ3 首次将图注意力网络（GAT）应用于比特币AML/CFT异常检测，其新颖性与潜力为何？
• RQ4 可解释的、公开可用的取证模型在多大程度上能增强监管合规性并减少加密货币交易监控中的误报？

主要发现

• 图卷积网络（GCN）模型在分类异常比特币交易方面优于传统机器学习基线，包括随机森林。
• 图注意力网络（GAT）模型性能略低于GCN，但展现出作为AML/CFT取证新方法的强大潜力。
• 本研究首次公开应用GAT模型检测比特币交易中的异常，标志着区块链取证领域的重要创新。
• 结果表明，基于图的模型在捕捉与非法活动检测相关的复杂交易模式和结构特征方面具有高度适用性。
• 作者强调，模型可解释性和数据开放性对于确保监管信任并减少合规系统中的过度报告至关重要。