Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
تقترح هذه الورقة البحثية شبكة عصبية رسومية هجينة ثنائية الفروع لعلاقة السلوك والعمليات (BTR-DHGNN)، وهي إطار عمل استدلالي يعمل على نمذجة سلوك العناوين وعلاقات المعاملات الصريحة مع مراعاة الاتجاه والدمج التكيفي للكشف بفعالية عن عناوين البيتكوين غير المشروعة رغم عدم توازن الملصقات ومحدودية نموذج (UTXO).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعمل عملة البيتكوين على سجل عام، وهو سجل شفاف لكل عملية نقل قيمة حدثت على شبكتها. وبينما تظل الهويات الكامنة وراء العناوين الرقمية مخفية، فإن تدفق الأموال مرئي بالكامل، مما يخلق فرصة فريدة للمحققين الماليين. ومع ذلك، فإن هذه الشفافية سلاح ذو حدين؛ إذ يستخدم المجرمون تقنيات معقدة لإخفاء آثارهم، مثل تقسيم الأموال عبر عناوين عديدة، أو دمج أموال من مصادر مختلفة، أو نقلها عبر مراحل متعددة لقطع الصلة بين المصدر والوجهة. ويعد اكتشاف هذه الأنشطة غير المشروعة أمرًا صعبًا لأن البيانات هائلة، والعلامات التي تحدد المجرمين نادرة، وهيكل المعاملات معقد. غالبًا ما تبحث الطرق التقليدية في عنوان واحد بشكل منعزل، حيث تحصي عدد المرات التي أرسل فيها الأموال أو استقبلها، لكن هذا النهج يفتقر إلى السياق الحاسم لكيفية انتقال الأموال فعليًا عبر الشبكة.
ولحل هذه المشكلة، طور الباحثون نظامًا جديدًا يسمى "الشبكة العصبية الرسومية الهجينة ثنائية الفروع للعلاقة بين السلوك والمعاملة". يعامل هذه الأداة شبكة البيتكوين ليس كمجرد قائمة من الأرقام، بل كشبكة معقدة حيث تهم فيها كل من عادات العنوان واتصالاته المحددة بالعناوين الأخرى. يعمل النظام من خلال مراقبة نوعين متميزين من الأدلة في آن واحد. أولاً، يحلل "سلوك" العنوان، من خلال النظر في تاريخه الخاص: مقدار الأموال التي يحركها، وعدد مرات نشاطه، والرسوم التي يدفعها، ومدة بقائه نشطًا. ثانيًا، يفحص "العلاقات"، عبر رسم المسار المحدد للأموال عبر الشبكة. ومن الأهمية بمكان أن هذا النظام يحترم الطريقة الفريدة التي تعمل بها معاملات البيتكوين، حيث يميز بوضوح بين دخول الأموال إلى المعاملة وخروجها، بدلاً من دمج هذه الأدوار معًا. ومن خلال الجمع بين هذين المنظورين، يمكن للنموذج رصد الأنماط التي لا يمكن لأي من المنظورين تحديدها بمفرده.
اختبر الباحثون هذا النظام على مجموعة بيانات تاريخية ضخمة وثابتة لمعاملات البيتكوين تحتوي على أكثر من 800,000 عنوان وأكثر من 200,000 معاملة. وفي هذه المجموعة، كانت العناوين غير المشروعة أقلية ضئيلة، حيث مثلت أقل من ستة بالمائة من الحسابات المصنفة، مما جعل مهمة العثور عليها تشبه البحث عن بعض حبات الرمل المحددة في كومة كبيرة. تفوق النظام الجديد على جميع الأساليب السابقة، بما في ذلك الأدوات الإحصائية القياسية والنماذج القائمة على الرسوم البيانية الأخرى. فقد حقق معدل نجاح حيث حدد 94 في المائة من العناوين غير المشروعة بشكل صحيح مع إبقاء الإنذارات الكاذبة في حدها الأدنى. وتعد هذه الدقة العالية أمرًا حيويًا لأنه في التحقيقات الواقعية، تؤدي كثرة الإنذارات الكاذبة إلى إرهاق المحللين البشريين، بينما يمكن أن يؤدي تفويت حتى عدد قليل من المجرمين إلى هروب الأموال غير المشروعة.
وتتمثل إحدى النتائج الرئيسية للدراسة في أن نجاح النظام يعتمد على التوازن الدقيق بين النظر في تاريخ العنوان الخاص به والنظر في جيرانه. اكتشف الباحثون أنه في حين توفر الاتصالات بعناوين أخرى أقوى إشارة للكشف، فإن سلوك العنوان نفسه ضروري لتصفية الأخطاء. فبدون فرع السلوك، سيصنف النظام الكثير من العناوين البريئة على أنها مشبوهة. وبدون فرع العلاقة، سيفوت الأنماط المعقدة والدقيقة لتدفق الأموال التي تميز النشاط الإجرامي. كما تعلم النظام كيفية التعامل مع ندرة العلامات الإجرامية باستخدام طريقة تدريب خاصة تجبره على إعطاء اهتمام وثيق للممثلين السيئين المعروفين بدلاً من تجاهلهم لصالح العدد الهائل من المستخدمين الجيدين.
وكشفت الدراسة كذلك أن الطريقة التي ينظر بها النظام إلى الشبكة أمر بالغ الأهمية. فقد وجدت أن مجرد ربط العناوين بالمعاملات ليس كافيًا؛ إذ يجب على النظام فهم اتجاه الأموال. فهو يعامل مدخلات المعاملة (من أين تأتي الأموال) والمخرجات (إلى أين تذهب الأموال) كأدوار متميزة. وهذا التمييز يسمح للنموذج بتتبع تدفق الأموال بدقة أكبر من الطرق التي تعامل جميع الاتصالات على أنها واحدة. بالإضافة إلى ذلك، قدم الباحثون تقنية حيث يتدرب النظام على نسخ معدلة قليلاً من الشبكة أثناء التدريب. يساعد هذا النموذج على تعلم الهيكل الحقيقي للشبكة بدلاً من حفظ الاتصالات العرضية أو الضعيفة التي قد تظهر بمحض الصدفة.
وفي التحليل النهائي، يوضح هذا العمل أن اكتشاف نشاط البيتكوين غير المشروع يتطلب نهجًا مزدوجًا يحترم كلاً من العادات الفردية للعنوان وموقعه ضمن التدفق العام للأموال. لا يعتمد النظام على خدعة واحدة أو قاعدة بسيطة، بل يدمج طبقات متعددة من الأدلة لاتخاذ القرار. لقد نجح في التنقل عبر تحدي عدم التوازن الشديد، حيث يفوق عدد المجرمين عدد المستخدمين الشرعيين بكثير، وقد فعل ذلك مع الحفاظ على درجة عالية من الدقة. وتشير النتائج إلى أنه بالنسبة للمحققين الذين يعملون مع البيانات التاريخية، فإن هذا النهج يقدم وسيلة قوية لتضييق قائمة العناوين المشبوهة، مما يجعل المراجعة اليدوية وجمع الأدلة اللاحقة أكثر كفاءة وفعالية. إن الطريقة مصممة لتحليل سجلات المعاملات المكتملة، مما يوفر أداة قوية لفهم كيفية تحرك الأموال عبر شبكة البيتكوين وتحديد أولئك الذين يسعون للاختباء داخلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.