🤖 machine learning

FedGraph-VASP: Privacy-Preserving Federated Graph Learning with Post-Quantum Security for Cross-Institutional Anti-Money Laundering

FedGraph-VASP ist ein datenschutzwahrendes Framework für föderiertes Graph-Lernen, das Post-Quanten-Kryptographie und ein Boundary-Embedding-Exchange-Protokoll nutzt, um eine institutionenübergreifende Geldwäschebekämpfung zu ermöglichen, wobei es eine über generative Baselines hinausgehende überlegene Leistung in vernetzten Transaktionsgraphen demonstriert und gleichzeitig einen topologieabhängigen Zielkonflikt zwischen Embedding-Austausch und generativen Imputationsstrategien aufzeigt.

Ursprüngliche Autoren: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

Veröffentlicht 2026-01-27

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Das Dilemma der „stummen Bank“

Stellen Sie sich eine Welt vor, in der jede Bank eine separate Insel ist. Wenn ein Krimineller versucht, Geld zu waschen, bleibt er nicht einfach auf einer Insel; er springt von Insel A zu Insel B zu Insel C, damit es so aussieht, als sei das Geld sauber.

Die aktuelle Situation: Jede Bank hat ihren eigenen Sicherheitswächter (eine KI), der die Menschen innerhalb ihrer eigenen Insel beobachtet. Wenn ein Krimineller auf einer Insel bleibt, erwischt ihn der Wächter. Aber wenn der Kriminelle zu einer anderen Insel springt, weiß der erste Wächter nichts davon, und der zweite Wächter weiß es ebenfalls nicht. Sie arbeiten in Silos.
Das Dilemma: Um diese „Insel-Hüpfer“-Kriminellen zu fangen, müssen die Banken miteinander kommunizieren. Aber sie können nicht einfach ihre Kundenlisten oder Transaktionsdetails teilen, da dies gegen Datenschutzgesetze verstoßen und Geschäftsgeheimnisse verraten würde. Es ist ein Teufelskreis: Daten teilen, um Kriminelle zu fangen, oder Daten privat halten und Kriminelle entkommen lassen.

Die Lösung: FedGraph-VASP

Die Autoren haben ein neues System namens FedGraph-VASP entwickelt. Betrachten Sie es als einen sicheren, verschlüsselten „Messenger-Dienst“, der es Banken ermöglicht, zusammenzuarbeiten, ohne jemals ihre tatsächlichen Kundendateien zu zeigen.

So funktioniert es, unterteilt in drei Hauptteile:

1. Der „Schattenspiel“-Austausch (Boundary Embedding)

Anstatt ein Foto eines Kunden zu senden (was dessen Identität preisgeben würde), senden die Banken einen Schattenspiel-Abdruck des Verhaltens des Kunden.

Wie es funktioniert: Die KI bei jeder Bank betrachtet einen Kunden und erstellt einen komprimierten „Fingerabdruck“ (ein sogenanntes Embedding). Dieser Fingerabdruck beschreibt, wie der Kunde mit anderen interagiert (z. B. „Diese Person sendet schnell Geld an 50 verschiedene Konten“), aber er ist mathematisch so verschlüsselt, dass man ihn nicht zurückrechnen kann, um den Namen oder das Kontoguthaben der Person zu sehen.
Die Magie: Die Banken teilen diese Fingerabdrücke nur für die spezifischen Kunden, die Transaktionen mit anderen Banken tätigen (die „Grenz“-Konten). Dies ermöglicht es der KI, das vollständige Bild der Geld-Hüpfer-Kette zu sehen, ohne die tatsächlichen Personen zu sehen, die dahinterstecken.

2. Der „Quantensichere“ Tresor (Post-Quantum Security)

Die Arbeit macht sich große Sorgen um die Zukunft. Die Autoren wissen, dass in 10 oder 15 Jahren extrem leistungsstarke Quantencomputer erfunden werden könnten. Diese Computer könnten die heutigen digitalen Schlösser knacken und so verschlüsselte Daten stehlen, die vor Jahren gespeichert wurden (eine Bedrohung, die als „Harvest Now, Decrypt Later“ bezeichnet wird).

Die Lösung: FedGraph-VASP verwendet eine spezielle Art von digitalem Schloss namens Kyber-512. Es ist, als würde man einen Tresor aus einem Material bauen, das bekanntlich selbst für zukünftige Quanten-Supercomputer unknackbar ist.
Das Ergebnis: Selbst wenn ein Hacker die verschlüsselten Nachrichten heute stiehlt, wird er sie auch dann nicht öffnen können, wenn Quantencomputer in der Zukunft existieren.

3. Die „Team-Besprechung“ (Federated Learning)

Die Banken senden ihre Daten nicht an einen zentralen Server. Stattdessen behalten sie ihre Daten auf ihren eigenen Servern.

Jede Bank trainiert ihre eigene KI lokal.
Sie senden ihre „Schattenspiele“ (verschlüsselt) an einen zentralen Treffpunkt.
Der zentrale Server mischt diese Hinweise zusammen, um das globale „Anti-Geldwäsche“-Modell zu aktualisieren.
Das aktualisierte Modell wird an die Banken zurückgesendet.

Was haben sie herausgefunden? (Die Ergebnisse)

Die Forscher haben dieses System unter Verwendung echter Daten aus Bitcoin-Transaktionen (den „Elliptic“-Datensatz) getestet.

Den Wettbewerb schlagen: Sie verglichen ihre Methode mit anderen Wegen, um dieses Problem zu lösen.
- Lokales Training (Kein Austausch): Die KI sah nur ihre eigene Insel. Sie übersah 60 % der Kriminellen.
- FedSage+ (Die „Rate-Methode“): Dies ist eine populäre Methode, bei der die KI versucht, die fehlenden Nachbarn zu erfinden oder zu „halluzinieren“. Die Arbeit fand heraus, dass dies riskant ist; die KI rät zu oft falsch, fügt Rauschen hinzu und übersieht dadurch Kriminelle.
- FedGraph-VASP (Die „Echte-Hinweis-Methode“): Indem sie die tatsächlichen verschlüsselten „Schattenspiele“ anstelle von Vermutungen teilten, fing diese Methode 12,1 % mehr Kriminelle als die Rate-Methode.
Der Kompromiss: Das System funktioniert am besten, wenn die Banken einigermaßen vernetzt sind (wie im Bitcoin-Netzwerk). Wenn das Netzwerk jedoch extrem dünn besiedelt ist (wie das Ethereum-Netzwerk in ihrem Test), schnitt eine „Rate-Methode“ tatsächlich besser ab. Dies verdeutlicht, dass verschiedene Netzwerke unterschiedliche Werkzeuge benötigen.
Datenschutz-Check: Sie versuchten, das System zu hacken, um zu sehen, ob man die „Schattenspiele“ in echte Kundendaten zurückverwandeln kann. Sie konnten nur etwa 32 % der ursprünglichen Informationen wiederherstellen. Das bedeutet, dass das System viel sicherer ist als das Teilen von Rohdaten, obwohl es nicht 100 % perfekt ist (weshalb die zusätzliche „Quantensichere“ Verschlüsselung so wichtig ist).

Das Fazremen

FedGraph-VASP ist ein neuer Weg, wie Banken zusammenarbeiten und Geldwäscher fangen können, ohne Datenschutzgesetze zu verletzen.

Alter Weg: „Ich kann dir nichts über meine Kunden sagen, also kann ich dir nicht helfen, den Kriminellen zu fangen.“
FedGraph-VASP Weg: „Ich kann dir nichts über meine Kunden sagen, aber ich kann dir einen verschlüsselten, quantensicheren Hinweis geben, wie sie sich verhalten. Wenn du deine Hinweise mit meinen kombinierst, können wir den Kriminellen gemeinsam fangen, ohne jemals eure privaten Dateien zu sehen.“

Es bietet einen praktischen Weg für Banken, Vorschriften (wie die „Travel Rule“) einzuhalten und gleichzeitig Nutzerdaten vor heutigen Hackern und zukünftigen Quantenbedrohungen zu schützen.

Technisches Resümee: FedGraph-VASP

Problemstellung

Virtuelle Asset-Service-Provider (VASPs) stehen vor einem kritischen Dilemma bei der Bekämpfung institutionenübergreifender Geldwäsche. Die effektive Erkennung komplexer Schemata, wie etwa des „Chain-Hopping“ über mehrere Blockchains und Institutionen hinweg, erfordert den Zugriff auf Transaktionsdaten, die über die Silos eines einzelnen Akteurs hinausgehen. Regulatorische Rahmenbedingungen wie die „Travel Rule“ der FATF fordern jedoch eine Datenteilung, die im Konflikt mit dem Schutz der Privatsphäre der Nutzer und wettbewerblichen Geheimhaltungsinformationen steht.

Aktuelle Lösungen sind unzureichend:

Silo-basiertes lokales Training: Während diese Systeme die Privatsphäre wahren, scheitern sie an der Erkennung von grenzüberschreitender Geldwäsche, was zu einem „Cross-Chain-Blindspot“ führt.
Standardisiertes Federated Learning (z. B. FedAvg): Diese Methoden tauschen Modellparameter aus, versäumen es jedoch, die institutionenübergreifende Graph-Topologie zu erfassen, da sie keine Informationen über die Kanten erfassen, die verschiedene Clients verbinden.
Generative Imputation (z. B. FedSage+): Obwohl diese Methoden versuchen, fehlende Nachbarn zu synthetisieren, riskieren sie das „Halluzinieren“ plausibler, aber ungenauer struktureller Daten, was die subtilen Signale von Minderheiten-Betrugsklassen in hochgradig unbalancierten Datensätzen verschleiern kann.

Darüber hinaus sind Finanzdaten langlebig, was sie anfällig für „Harvest Now, Decrypt Later“-Angriffe durch zukünftige Quantencomputer macht, was den Einsatz post-quanten-sicherer Maßnahmen erforderlich macht, die in aktuellen Frameworks zur Wahrung der Privatsphäre oft fehlen.

Methodik

Das Paper schlägt FedGraph-VASP vor, ein Framework für privatsphärebewusstes Federated Graph Learning, das darauf ausgelegt ist, kollaborative Geldwäschebekämpfung (AML) zu ermöglichen, ohne Rohdaten der Nutzer preiszugeben. Das System operiert auf einem verteilten Transaktionsgraphen $G = (V, E)$ , der auf $K$ VASPs aufgeteilt ist.

1. Austausch von Boundary-Embeddings

Anstatt Rohmerkmale zu teilen oder synthetische Nachbarn zu generieren, identifiziert das Framework Boundary-Nodes ( $B_k$ ) – Konten, die an Transaktionen über verschiedene VASPs hinweg beteiligt sind.

Mechanismus: Jeder VASP trainiert ein lokales GraphSAGE GNN auf seinem Subgraphen. Für Boundary-Nodes extrahiert das System komprimierte, nicht-invertierbare Vektor-Embeddings ( $h_v$ ), die die strukturelle Nachbarschaft des Knotens repräsentieren.
Ausrichtung: Diese Embeddings werden geteilt, um einen Boundary Alignment Loss ( $L_{boundary}$ ) zu berechnen, der das lokale Modell dazu ermutigt, Repräsentationen für gemeinsam genutzte Konten zu erzeugen, die konsistent mit den Repräsentationen anderer Institutionen sind. Dies liefert einen authentischen topologischen Kontext, ohne die Rohtransaktionsdaten offenzulegen.

2. Post-Quanten-Sicherheit

Um die ausgetauschten Embeddings sowohl vor klassischen als auch vor zukünftigen Quanten-Angreifern zu schützen, verwendet das System eine hybride Key Encapsulation Mechanism (KEM) / Data Encapsulation Mechanism (DEM) Architektur:

Key Encapsulation: Verwendet Kyber-512 (den NIST-standardisierten ML-KEM), um quantenresistente Sitzungsschlüssel zu etablieren.
Data Encapsulation: Verwendet das aus Kyber gewonnene Shared Secret als Schlüssel für eine AES-256-GCM authentifizierte Verschlüsselung.
Protokoll: Boundary-Embeddings werden vor der Übertragung an einen Aggregationsserver verschlüsselt, um Vertraulichkeit und Integrität zu gewährleisten.

3. Trainingsprotokoll

Der Trainingszyklus umfasst:

Lokales Training: Clients trainieren auf lokalen Subgraphen für $E$ Epochen und minimieren dabei den Klassifikationsverlust sowie den Boundary Alignment Loss.
Austausch: Clients laden Modellgewichte ( $\theta$ ) und verschlüsselte Boundary-Embeddings ( $E_k$ ) auf den Server hoch.
Aggregation: Der Server aggregiert die Gewichte via FedAvg und verteilt die ausländischen Boundary-Embeddings zurück an die Clients.
Update: Clients entschlüsseln die ausländischen Embeddings und aktualisieren ihre lokalen Buffer, um die Boundary-Ausrichtung in der nächsten Runde zu verfeinern.

Zentrale Beiträge

Boundary Embedding Exchange Protocol: Ein neuartiger Ansatz, der komprimierte, nicht-invertierbare GNN-Repräsentationen von Boundary-Konten teilt. Dies liefert authentische topologische Informationen für die institutionenübergreifende Erkennung, während die Rekonstruktion personenbezogener Daten (PII) verhindert wird.
Integration von Post-Quanten-Kryptographie: Die erste Integration von NIST-standardisiertem Kyber-512 und AES-256-GCM in ein Federated Graph Learning Framework für AML, das gezielt die „Harvest Now, Decrypt Later“-Bedrohung für langfristige Finanzdaten adressiert.
Strenge empirische Evaluierung: Umfassende Validierung auf den Elliptic Bitcoin und Ethereum Fraud Detection Datensätzen, einschließlich statistischer Signifikanztests, Ablationsstudien und Vergleichen mit State-of-the-Art-Baselines (FedAvg, FedSage+ und Local GNN).

Experimentelle Ergebnisse

Performance auf Bitcoin (Elliptic Dataset)

Unter Verwendung einer realistischen Louvern-Partitionierung (die ca. 0,24 % Cross-Silo-Kanten simuliert, was fragmentierte reale Bankenszenarien darstellt):

FedGraph-VASP erreichte einen F1-Score von 0,508.
Dies übertraf die State-of-the-Art-Generative-Baseline FedSage+ (F1=0,453) um 12,1 %.
Es übertraf zudem FedAvg (F1=0,499) und Local GNN (F1=0,389).
Analyse: Die Ergebnisse legen nahe, dass in Szenarien mit geringer Konnektivität und hoher Imbalanz der Austausch tatsächlicher, verschlüsselter Embeddings der generativen Imputation überlegen ist, da letztere Rauschen einführt, das die Signale der Minderheiten-Betrugsklassen überlagert.

Performance in Szenarien mit hoher Konnektivität

Unter Verwendung der METIS-Partitionierung (die ca. 33 % Cross-Silo-Kanten simuliert, was zukünftige „Open Banking“-Szenarien repräsentiert):

Erreichte FedGraph-VASP einen F1-Score von 0,633, was dem Niveau der zentralisierten Performance (F1 $\approx$ 0,620) entspricht.
Dies demonstriert die Skalierbarkeit des Frameworks, wenn sich Finanzökosysteme stärker vernetzen.

Generalisierbarkeit auf Ethereum

Auf dem Ethereum Fraud Detection Dataset (kontenbasiert, spärliche Konnektivität):

FedGraph-VASP (F1=0,635) performte vergleichbar mit FedAvg, wurde jedoch signifikant von FedSage+ (F1=0,855) übertroffen.
Trade-off: Das Paper stellt einen deutlichen Trade-off fest: Der Austausch topologischer Embeddings zeichnet sich in vernetzten Graphen (Bitcoin) aus, während generative Imputation in hochgradig modularen, spärlichen Graphen (Ethereum) dominiert.

Privatsphäre und Effizienz

Privatsphäre: Embedding-Inversionsangriffe lieferten ein moderates $R^2$ von 0,32, was auf eine teilweise, aber nicht exakte Merkmalsrekonstruktion hindeutet. Jedoch zeigten Membership Inference Attacks (MIA) eine hohe Leakage (AUC=0,95), eine bekannte Einschränkung von nicht-privaten GNNs auf spärlichen Graphen. Die Autoren argumentieren, dass das System die Vertraulichkeit der Merkmale gegenüber der Membership-Privatsphäre priorisiert, was mit dem Ziel übereinstimmt, proprietäre Transaktionsintelligenz zu schützen.
Effizienz: Der Overhead der Post-Quanten-Verschlüsselung ist vernachlässigbar (<0,5 % der gesamten Trainingszeit) mit einem Durchsatz von ca. 10.500 Embeddings pro Sekunde unter Verwendung von Kyber-512.

Bedeutung und Behauptungen

Das Paper behauptet, dass FedGraph-VASP einen praktischen Weg zur regulatorischen Compliance bietet, der die institutionellen Privatsphäregrenzen respektiert. Durch die Lösung des Spannungsfeldes zwischen Datenteilung und Privatsphäre ermöglicht es VASPs, Cross-Chain-Geldwäschemuster zu erkennen, die in isolierten Systemen derzeit unsichtbar sind.

Die Autoren betonen, dass ihr Ansatz eine authentische strukturelle Sichtbarkeit statt synthetischer Daten bietet, was für AML entscheidend ist, da die Genauigkeit direkt die Erkennung komplexer Geldwäschemodelle beeinflusst. Darüber hinaus adressiert das durch die Integration von Post-Quanten-Kryptographie proaktiv gesicherte Framework langfristige Sicherheitsbedrohungen für Finanzdaten und stellt sicher, dass kollaborative AML-Modelle auch gegenüber zukünftigen Quantenfähigkeiten sicher bleiben. Die Arbeit hebt hervor, dass, obwohl keine einzelne Methode alle Graph-Topologien dominiert, der vorgeschlagene Austausch von Boundary-Embeddings eine überlegene Strategie für die hochgradig unbalancierten, gering konnektiven Umgebungen ist, die für aktuelle Krypto-AML-Herausforderungen typisch sind.