Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
本論文は、ラベルの不均衡やUTXOモデルの制限にもかかわらず、方向性を考慮した設計と適応的融合を用いることで、アドレスの振る舞いと明示的なトランザクション関係を共同でモデリングし、不正なビットコインアドレスを効果的に検出する、推移的フレームワークであるBehavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network (BTR-DHGNN) を提案する。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
ビットコインは、そのネットワーク上で発生したあらゆる価値の移転を記録した透明な記録である、公開台帳上で動作しています。デジタルアドレスの背後にいる正体は隠されていますが、資金の流れは完全に可視化されており、これが金融調査官にとって独自の機会を生み出しています。しかし、この透明性は諸刃の剣でもあります。犯罪者は、資金を多くのアドレスに分割したり、異なるソースからの資金を混合したり、あるいは起源と目的地との間のリンクを断ち切るために複数の段階を経て移動させたりといった、複雑な手法を用いて自らの足跡を隠蔽します。これらの不正活動の検知が困難なのは、データが膨大であり、犯罪者を特定するためのラベルが極めて稀であり、かつ取引の構造が複雑であるためです。従来の手法は、多くの場合、単一のアドレスを孤立したものとして捉え、それが何度送金または受領したかを数えるだけでしたが、このアプローチでは、資金が実際にネットワーク内をどのように移動しているかという決定的な文脈を見落としてしまいます。
これを解決するために、研究者たちは「Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network（行動・取引関係二重分岐ハイブリッドグラフニューラルネットワーク）」と呼ばれる新しいシステムを開発しました。このツールは、ビットコインネットワークを単なる数字のリストとしてではなく、アドレスの習慣とそのアドレスに対する具体的な接続の両方が重要となる、複雑なウェブとして扱います。このシステムは、2つの異なる種類の証拠を同時に観察することで機能します。第一に、アドレスの「行動」を分析し、そのアドレス自身の履歴、すなわち、どれだけの金額を動かしているか、どの程度の頻度で活動しているか、支払っている手数料、および活動期間を調べます。第二に、「関係」を調査し、ネットワークを通じた資金の具体的な経路をマッピングします。決定的なのは、このシステムがビットコインの取引特有の仕組みを尊重し、お金が入ってくる取引と出ていく取引の役割を混同することなく、明確に区別している点です。これら2つの視点を組み合わせることで、モデルはどちらか一方の視点だけでは特定できなかったパターンを検知することができます。
研究者たちは、80万以上のアドレスと20万件以上の取引を含む、歴史的なビットコイン取引の膨大な固定データセットを用いてこのシステムをテストしました。このデータセットにおいて、不正なアドレスはラベル付けされたアカウントの6パーセント未満という極めて少数であり、このタスクは、大きな砂の山の中から特定の数粒の砂を見つけ出すようなものでした。この新システムは、標準的な統計ツールや他のグラフベースのモデルを含むすべての従来手法を凌駕しました。システムは、誤検知を最小限に抑えつつ、不正なアドレスの94パーセントを正しく特定するという成功率を達成しました。この高い精度は、実世界の調査において、誤検知が多すぎると人間の分析官が圧倒されてしまい、一方で犯罪者を見逃すと不正資金を逃してしまうことになるため、極めて重要です。
本研究の主要な知見は、システムの成功が、アドレス自身の履歴を見ることと、その隣接関係を見ることの間の注意深いバランスに依存しているということです。研究者たちは、他のアドレスへの接続が検出のための最も強力なシグナルを提供する一方で、アドレス自身の行動が間違いをフィルタリングするために不可欠であることを発見しました。行動に関する分岐がなければ、システムはあまりにも多くの無実のアドレスを疑わしいものとしてフラグを立ててしまいます。関係に関する分岐がなければ、犯罪活動を特徴づける微妙で複雑な資金の流れを見落としてしまうことになります。また、システムは、既知の悪質なアクターを無視して膨大な数の善良なユーザーに目を向けてしまうのではなく、少数の既知の悪質なアクターに細心の注意を払うよう強制する特別な学習手法を用いることで、犯罪ラベルの希少性を扱う方法を学習しました。
さらに、本研究は、システムがネットワークをどのように見るかが極めて重要であることを明らかにしました。単にアドレスを取引に接続するだけでは不十分であり、システムは資金の方向を理解しなければならないことが分かりました。システムは、取引への入力（資金の出所）と出力（資金の行先）を、明確に異なる役割として扱います。この区別により、モデルはすべての接続を同じものとして扱う手法よりも、資金の流れをより正確に追跡することができます。加えて、研究者たちは、トレーニング中にシステムがネットワークのわずかに変更されたバージョンで練習を行うという手法を導入しました。これにより、モデルは偶然に現れる可能性のある付随的または弱い接続を記憶するのではなく、ネットワークの真の構造を学習することができます。
最終的な分析において、本研究は、不正なビットコイン活動を検知するには、アドレス個々の習慣と、より広い資金の流れにおける位置付けの両方を尊重する二角的なアプローチが必要であることを示しています。このシステムは、単一のトリックや単純なルールに頼るのではなく、意思決定を行うために複数の層の証拠を統合しています。システムは、犯罪者が正当なユーザーよりも圧倒的に少ないという極端な不均衡を克服し、高い精度を維持しながら成功を収めました。結果は、歴史的なデータを用いて調査を行う人々にとって、このアプローチが疑わしいアドレスのリストを絞り込むための強力な手段となり、その後の手動によるレビューや証拠収集をより効率的かつ効果的にすることを示唆しています。この手法は、完了した取引履歴を分析するように設計されており、ビットコインネットワーク内で資金がどのように動き、その中に隠れようとする者をどのように特定するかを理解するための堅牢なツールを提供します。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。