Судебный анализ набора данных graph, содержащего транзакции в блокчейне Биткоина, выявил кластеры, связанные с незаконной деятельностью и отмыванием денег, включая обнаружение преступных доходов, отправленных на криптовалютную биржу, и ранее неизвестных кошельков, принадлежащих российскому рынку даркнета.
Выводы получены Elliptic в сотрудничестве с исследователями из MIT-IBM Watson AI Lab.
Набор данных объемом 26 ГБ, получивший название Elliptic2, представляет собой "большой набор графов, содержащий 122 Тыс. помеченных подграфов кластеров биткойнов в фоновом графике, состоящем из 49 млн кластеров узлов и 196 МЛН граничных транзакций", - сказали соавторы в статье, опубликованной The Hacker News.
Elliptic2 основан на наборе данных Elliptic (он же Elliptic1), графике транзакций, который был обнародован в июле 2019 года с целью борьбы с финансовыми преступлениями с использованием графовых сверточных нейронных сетей (GCN).
Идея, в двух словах, состоит в том, чтобы выявить незаконную деятельность и схемы отмывания денег, воспользовавшись псевдонимностью блокчейна и объединив ее со знаниями о присутствии законных (например, биржи, провайдера кошельков, майнера и т.д.) И незаконных услуг (например, рынка даркнета, вредоносного ПО, террористических организаций, схемы финансовой пирамиды и т.д.) В сети.
"Использование машинного обучения на уровне подграфов, то есть групп транзакций, составляющих случаи отмывания денег, может быть эффективным при прогнозировании того, являются ли криптовалютные транзакции доходами от преступлений", - сказал Том Робинсон, главный научный сотрудник и соучредитель Elliptic, в интервью Hacker News.
"Это отличается от обычных решений по борьбе с отмыванием денег в криптовалюте, которые основаны на отслеживании средств с известных незаконных кошельков или сопоставлении шаблонов с известными методами отмывания денег".
Исследование, в ходе которого экспериментировали с тремя различными методами классификации подграфов на Elliptic2, такими как GNN-Seg, Sub2Vec и GLASS, выявило подграфы, которые представляли учетные записи криптовалютных бирж, потенциально вовлеченные в незаконную деятельность.
Кроме того, это позволило отследить источник средств, связанных с подозрительными подграфами, для различных организаций, включая криптовалютный миксер, панамскую финансовую пирамиду и российский форум dark web, доступный только для приглашенных.
Робинсон сказал, что простое рассмотрение "формы" – локальных структур в сложной сети – подграфов отмывания денег уже оказалось эффективным способом выявления преступной деятельности.
Дальнейшее изучение подграфов, предсказанных с использованием обученной модели GLASS, также выявило известные схемы отмывания криптовалюты, такие как наличие разветвленных цепочек и вложенных сервисов.
"Цепочка отсева - это когда небольшое количество криптовалюты "отсеивается" на адрес назначения, в то время как остальная часть отправляется на другой адрес под контролем пользователя", - объяснил Робинсон. "Это происходит неоднократно, образуя цепочку отсева. Схема может иметь законные цели обеспечения финансовой конфиденциальности, но она также может указывать на отмывание денег, особенно когда "очищенная" криптовалюта неоднократно отправляется в службу обмена".
"Это известный метод отмывания криптовалют, который имеет аналогию с "смерфингом" в традиционных финансах – поэтому тот факт, что наш режим машинного обучения независимо идентифицировал его, обнадеживает".
Что касается следующих шагов, ожидается, что исследование будет сосредоточено на повышении точности этих методов, а также распространении работы на дальнейшие блокчейны, добавил Робинсон.
Last edited by a moderator:
