Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
Dieses Paper schlägt das Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network (BTR-DHGNN) vor, ein transduktives Framework, das Adressverhalten und explizite Transaktionsbeziehungen mit Richtungsbewusstsein und adaptiver Fusion gemeinsam modelliert, um illegale Bitcoin-Adressen trotz Label-Imbalance und der Einschränkungen des UTXO-Modells effektiv zu detektieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Bitcoin operiert auf einem öffentlichen Ledger, einem transparenten Protokoll jeder Wertübertragung, die jemals in seinem Netzwerk stattgefunden hat. Während die Identitäten hinter den digitalen Adressen verborgen bleiben, ist der Fluss der Gelder vollständig sichtbar, was eine einzigartige Gelegenheit für Finanzermittler schafft. Diese Transparenz ist jedoch ein zweischneidiges Schwert. Kriminelle nutzen komplexe Techniken, um ihre Spuren zu verwischen, wie etwa das Aufteilen von Geldern auf viele Adressen, das Kombinieren von Geld aus verschiedenen Quellen oder das Verschieben durch mehrere Stadien, um die Verbindung zwischen dem Ursprung und dem Ziel zu unterbrechen. Die Erkennung dieser illegalen Aktivitäten ist schwierig, da die Daten gewaltig sind, die Labels, die Kriminelle identifizieren, selten sind und die Struktur der Transaktionen komplex ist. Traditionelle Methoden betrachten oft eine einzelne Adresse isoliert und zählen, wie oft sie Geld gesendet oder empfangen hat, aber dieser Ansatz übersieht den entscheidenden Kontext, wie sich Gelder tatsächlich durch das Netzwerk bewegen.
Um dies zu lösen, haben Forscher ein neues System namens „Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network“ entwickelt. Dieses Werkzeug betrachtet das Bitcoin-Netzwerk nicht als eine einfache Liste von Zahlen, sondern als ein komplexes Geflecht, bei dem sowohl die Gewohnheiten einer Adresse als auch ihre spezifischen Verbindungen zu anderen Adressen von Bedeutung sind. Das System arbeitet, indem es zwei verschiedene Arten von Beweisen gleichzeitig beobachtet. Erstens analysiert es das „Verhalten“ einer Adresse, indem es deren eigene Historie untersucht: wie viel Geld sie bewegt, wie oft sie agiert, welche Gebühren sie zahlt und wie lange sie aktiv war. Zweitens untersucht es die „Relationen“, indem es den spezifischen Pfad der Gelder durch das Netzwerk abbildet. Entscheidend ist, dass dieses System die einzigartige Art und Weise respektiert, wie Bitcoin-Transaktionen funktionieren, indem es klar zwischen Geld, das in eine Transaktion fliegt, und Geld, das aus ihr herausfließt, unterscheidet, anstatt diese Rollen miteinander zu vermischen. Durch die Kombination dieser zwei Perspektiven kann das Modell Muster erkennen, die durch keine der beiden Sichtweisen allein identifizierbar wären.
Die Forscher testeten dieses System an einem massiven, festen Datensatz historischer Bitcoin-Transaktionen, der über 800.000 Adressen und mehr als 200.000 Transaktionen enthielt. In diesem Datensatz waren illegale Adressen eine winzige Minderheit und stellten weniger als sechs Prozent der gelabelten Konten dar, was die Aufgabe, sie zu finden, wie die Suche nach ein paar spezifischen Sandkörnern in einem großen Haufen gestaltete. Das neue System übertraf alle bisherigen Methoden, einschließlich standardmäßiger statistischer Werkzeuge und anderer graphbasierter Modelle. Es erreichte eine Erfolgsquote, bei der es 94 Prozent der illegalen Adressen korrekt identifizierte und dabei Fehlalarme auf ein Minimum beschränkte. Diese hohe Genauigkeit ist in der Praxis entscheidend, da zu viele Fehlalarme menschliche Analysten überfordern, während das Übersehen auch nur weniger Krimineller dazu führen kann, dass illegale Gelder entkommen.
Eine zentrale Erkenntnis der Studie ist, dass der Erfolg des Systems auf dem sorgfältigen Gleichgewicht zwischen der Betrachtung der eigenen Historie einer Adresse und der Betrachtung ihrer Nachbarn beruht. Die Forscher entdeckten, dass, während die Verbindungen zu anderen Adressen das stärkste Signal für die Detektion liefern, das eigene Verhalten der Adresse essenziell ist, um Fehler herauszufiltern. Ohne den Verhaltenszweig würde das System zu viele unschuldige Adressen als verdächtig markieren. Ohne den Relationszweig würde es die subtilen, komplexen Geldflüsse übersehen, die kriminelle Aktivitäten charakterisieren. Das System lernte zudem, mit der Seltenheit krimineller Labels umzugehen, indem es eine spezielle Trainingsmethode verwendet, die es zwingt, den wenigen bekannten böswilligen Akteuren besondere Aufmerksamkeit zu schenken, anstatt sie zugunsten der riesigen Anzahl an guten Akteuren zu ignorieren.
Die Studie zeigte ferner auf, dass die Art und Weise, wie das System das Netzwerk betrachtet, eine tiefe Bedeutung hat. Es stellte fest, dass es nicht ausreicht, Adressen einfach mit Transaktionen zu verbinden; das System muss die Richtung des Geldes verstehen. Es behandelt den Input einer Transaktion (woher das Geld kommt) und den Output (wohin das Geld geht) als unterschiedliche Rollen. Diese Unterscheidung ermöglicht es dem Modell, den Fluss der Gelder genauer nachzuverfolgen als Methoden, die alle Verbindungen als gleich behandeln. Zusätzlich führten die Forscher eine Technik ein, bei der das System während des Trainings an leicht veränderten Versionen des Netzwerks übt. Dies hilft dem Modell, die wahre Struktur des Netzwerks zu lernen, anstatt zufällige oder schwache Verbindungen auswendig zu lernen, die rein zufällig auftreten könnten.
In der abschließenden Analyse zeigt diese Arbeit, dass die Detektion illegaler Bitcoin-Aktivitäten einen dualen Ansatz erfordert, der sowohl die individuellen Gewohnheiten einer Adresse als auch ihre Position innerhalb des breiteren Geldflusses respektiert. Das System verlässt sich nicht auf einen einzelnen Trick oder eine einfache Regel, sondern integriert mehrere Ebenen von Beweisen, um eine Entscheidung zu treffen. Es navigiert erfolgreich durch die Herausforderung extremer Ungleichgewichte, bei denen Kriminelle von legitimen Nutzern weit übertroffen werden, und tut dies bei gleichzeitiger Wahrung einer hohen Präzision. Die Ergebnisse legen nahe, dass dieser Ansatz für Ermittler, die mit historischen Daten arbeiten, einen leistungsfähigen Weg bietet, um die Liste verdächtiger Adressen einzugrenzen, was die anschließende manuelle Überprüfung und Beweiserhebung effizienter und effektiver macht. Die Methode ist für die Analyse abgeschlossener Transaktionshistorien konzipiert und bietet ein robustes Werkzeug, um zu verstehen, wie sich Gelder durch das Bitcoin-Netzwerk bewegen und diejenigen zu identifizieren, die versuchen, sich darin zu verstecken.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.