Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
यह शोध पत्र बिहेवियर-ट्रांजैक्शन रिलेशन ड्यूल-ब्रांच हाइब्रिड ग्राफ न्यूरल नेटवर्क (BTR-DHGNN) का प्रस्ताव करता है, जो एक ट्रांसडक्टिव फ्रेमवर्क है जो लेबल असंतुलन और UTXO मॉडल की सीमाओं के बावजूद अवैध बिटकॉइन पतों का प्रभावी ढंग से पता लगाने के लिए दिशा-जागरूकता और अनुकूली संलयन के साथ एड्रेस व्यवहार और स्पष्ट लेनदेन संबंधों को संयुक्त रूप से मॉडल करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बिटकॉइन एक सार्वजनिक लेज़र (ledger) पर काम करता है, जो इसके नेटवर्क पर अब तक हुए प्रत्येक मूल्य हस्तांतरण का एक पारदर्शी रिकॉर्ड है। हालांकि डिजिटल पतों के पीछे की पहचान छिपी रहती है, लेकिन धन का प्रवाह पूरी तरह से दृश्यमान है, जो वित्तीय जांचकर्ताओं के लिए एक अनूकहा अवसर पैदा करता है। हालांकि, यह पारदर्शिता एक दोधारी तलवार है। अपराधी अपने पदचिह्नों को छिपाने के लिए जटिल तकनीकों का उपयोग करते हैं, जैसे कि धन को कई पतों में विभाजित करना, विभिन्न स्रोतों से पैसे को मिलाना, या मूल और गंतव्य के बीच संबंध को तोड़ने के लिए इसे कई चरणों के माध्यम से स्थानांतरित करना। इन अवैध गतिविधियों का पता लगाना कठिन है क्योंकि डेटा विशाल है, अपराधियों की पहचान करने वाले लेबल दुर्लभ हैं, और लेनदेन की संरचना जटिल है। पारंपरिक तरीके अक्सर एक अकेले पते को अलग से देखते हैं, यह गिनते हुए कि उसने कितनी बार पैसा भेजा या प्राप्त किया, लेकिन यह दृष्टिकोण इस बात के महत्वपूर्ण संदर्भ को छोड़ देता है कि वास्तव में धन नेटवर्क के माध्यम से कैसे चलता है।
इसे हल करने के लिए, शोधकर्ताओं ने 'बिहेवियर-ट्रांजैक्शन रिलेशन ड्यूल-ब्रांच हाइब्रिड ग्राफ न्यूरल नेटवर्क' नामक एक नई प्रणाली विकसित की है। यह उपकरण बिटकॉइन नेटवर्क को केवल संख्याओं की एक साधारण सूची के रूप में नहीं, बल्कि एक जटिल जाल के रूप में देखता है जहाँ एक पते की आदतें और अन्य पतों के साथ उसके विशिष्ट संबंध, दोनों ही मायने रखते हैं। यह प्रणाली दो अलग-अलग प्रकार के साक्ष्यों को एक साथ देखते हुए कार्य करती है। सबसे पहले, यह एक पते के "व्यवहार" (behavior) का विश्लेषण करती है, इसके अपने इतिहास को देखती है: यह कितना पैसा स्थानांतरित करता है, यह कितनी बार सक्रिय होता है, यह कितनी फीस देता है, और यह कितने समय से सक्रिय है। दूसरा, यह नेटवर्क के माध्यम से धन के विशिष्ट पथ का मानचित्रण करके "संबंधों" (relations) का परीक्षण करती है। महत्वपूर्ण रूप से, यह प्रणाली बिटकॉइन लेनदेन के अनूठे तरीके का सम्मान करती है, जो स्पष्ट रूप से लेनदेन में जाने वाले धन और बाहर आने वाले धन के बीच अंतर करती है, बजाय इसके कि इन भूमिकाओं को आपस में मिला दे। इन दोनों दृष्टिकोणों को जोड़कर, मॉडल उन पैटर्न का पता लगा सकता है जिन्हें कोई भी दृष्टिकोण अकेले नहीं पहचान पाता।
शोधकर्ताओं ने इस प्रणाली का परीक्षण ऐतिहासिक बिटकॉइन लेनदेन के एक विशाल, निश्चित डेटासेट पर किया जिसमें 8,000 से अधिक पते और 2,00,000 से अधिक लेनदेन शामिल थे। इस डेटासेट में, अवैध पते बहुत कम थे, जो लेबल किए गए खातों के छह प्रतिशत से भी कम थे, जिसने उन्हें खोजने के कार्य को एक बड़े ढेर में कुछ विशिष्ट रेत के कणों को खोजने जैसा बना दिया। नई प्रणाली ने सभी पिछले तरीकों को पछाड़ दिया, जिसमें मानक सांख्यिकीय उपकरण और अन्य ग्राफ-आधारित मॉडल भी शामिल थे। इसने एक ऐसी सफलता दर हासिल की जहाँ इसने न्यूनतम गलत अलार्म रखते हुए 94 प्रतिशत अवैध पतों की सही पहचान की। वास्तविक दुनिया की जांच में यह उच्च स्तर की सटीकता अत्यंत महत्वपूर्ण है क्योंकि बहुत अधिक गलत अलार्म मानव विश्लेषकों को अभिभूत कर देते हैं, जबकि कुछ अपराधियों को भी चूक जाने से अवैध धन बच सकता है।
अध्ययन का एक प्रमुख निष्कर्ष यह है कि प्रणाली की सफलता एक पते के अपने इतिहास को देखने और उसके पड़ोसियों को देखने के बीच सावधानीपूर्वक संतुलन पर निर्भर करती है। शोधकर्ताओं ने पाया कि जबकि अन्य पतों के साथ संबंध पहचान के लिए सबसे मजबूत संकेत प्रदान करते हैं, पते का अपना व्यवहार गलतियों को छानने के लिए आवश्यक है। व्यवहार संबंधी शाखा के बिना, प्रणाली बहुत से निर्दोष पतों को संदिग्ध के रूप में चिह्नित करेगी। संबंध संबंधी शाखा के बिना, यह धन के उन सूक्ष्म, जटिल प्रवाहों को मिस कर देगी जो आपराधिक गतिविधि की विशेषता हैं। प्रणाली ने आपराधिक लेबल की दुर्लभता को संभालने के लिए एक विशेष प्रशिक्षण पद्धति का उपयोग करके सीखा, जो इसे बड़ी संख्या में अच्छे उपयोगकर्ताओं के पक्ष में अनदेखा करने के बजाय ज्ञात बुरे अभिनेताओं पर ध्यान केंद्रित करने के लिए मजबूर करती है।
अध्ययन ने आगे यह भी प्रकट किया कि सिस्टम नेटवर्क को किस तरह से देखता है, यह बहुत मायने रखता है। इसने पाया कि केवल पतों को लेनदेन से जोड़ना पर्याप्त नहीं है; सिस्टम को धन की दिशा को समझना चाहिए। यह लेनदेन के इनपुट (जहाँ से पैसा आता है) और आउटपुट (जहाँ पैसा जाता है) को अलग-अलग भूमिकाओं के रूप में मानता है। यह अंतर मॉडल को धन के प्रवाह को अधिक सटीक रूप से ट्रेस करने की अनुमति देता है, जबकि अन्य तरीके सभी कनेक्शनों को समान मानते हैं। इसके अतिरिक्त, शोधकर्ताओं ने एक तकनीक पेश की जहाँ सिस्टम प्रशिक्षण के दौरान नेटवर्क के थोड़े परिवर्तित संस्करणों पर अभ्यास करता है। यह मॉडल को संयोग से दिखने वाले आकस्मिक या कमजोर कनेक्शनों को याद करने के बजाय नेटवर्क की वास्तविक संरचना को सीखने में मदद करता है।
अंतिम विश्लेषण में, यह कार्य प्रदर्शित करता है कि अवैध बिटकॉइन गतिविधि का पता लगाने के लिए एक दोहरी पद्धति की आवश्यकता है जो एक पते की व्यक्तिगत आदतों और धन के व्यापक प्रवाह के भीतर उसकी स्थिति, दोनों का सम्मान करती है। सिस्टम किसी एक ट्रिक या सरल नियम पर निर्भर नहीं है बल्कि निर्णय लेने के लिए साक्ष्य की कई परतों को एकीकृत करता है। यह अत्यधिक असंतुलन की चुनौती को सफलतापूर्वक पार करता है, जहाँ अपराधी वैध उपयोगकर्ताओं की तुलना में बहुत कम संख्या में हैं, और वह भी उच्च स्तर की सटीकता बनाए रखते हुए। परिणाम बताते हैं कि ऐतिहासिक डेटा पर काम करने वाले जांचकर्ताओं के लिए, यह दृष्टिकोण संदिग्ध पतों की सूची को कम करने का एक शक्तिशाली तरीका है, जिससे बाद की मैन्युअल समीक्षा और साक्ष्य एकत्र करना अधिक कुशल और प्रभावी हो जाता है। यह विधि पूर्ण लेनदेन इतिहास का विश्लेषण करने के लिए डिज़ाइन की गई है, जो बिटकॉइन नेटवर्क के माध्यम से धन कैसे चलता है और उनमें से जो छिपने की कोशिश करते हैं उन्हें पहचानने के लिए एक मजबूत उपकरण प्रदान करती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।