🤖 machine learning

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

FedGraph-VASP is een privacy-bewerkend federated graph learning-framework dat gebruikmaakt van post-quantum cryptografie en een Boundary Embedding Exchange-protocol om detectie van witwassen tussen instellingen mogelijk te maken, waarbij het een superieure prestatie demonstreert ten opzichte van generatieve baselines in verbonden transactiegrafen terwijl het een topologie-afhankelijke afweging onthult tussen embedding-uitwisseling en generatieve imputatiestrategieën.

Oorspronkelijke auteurs: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

Gepubliceerd 2026-01-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: Het "Stille Bank"-dilemma

Stel je een wereld voor waarin elke bank een apart eiland is. Wanneer een crimineel probeert wit geld te wassen, blijft hij niet bij één bank; hij springt van Eiland A naar Eiland B naar Eiland C, waardoor het lijkt alsof het geld schoon is.

De huidige situatie: Elke bank heeft zijn eigen beveiligingsbeambte (een AI) die kijkt naar de mensen binnen hun eigen eiland. Als een crimineel op één eiland blijft, vangt de bewaker hem. Maar als de crimineel naar een ander eiland springt, weet de eerste bewaker dat niet, en de tweede bewaker ook niet. Ze werken in silo's.
Het dilemma: Om deze "eiland-hoppende" criminelen te vangen, moeten de banken met elkaar praten. Maar ze kunnen niet zomaar hun klantenlijsten of transactiegegevens delen, omdat dat de privacywetgeving zou schenden en bedrijfsgeheimen zou lekken. Het is een catch-22: Deel gegevens om criminelen te vangen, of houd gegevens privé en laat criminelen ontsnappen.

De Oplossing: FedGraph-VASP

De auteurs hebben een nieuw systeem ontwikkeld genaamd FedGraph-VASP. Denk aan dit als een veilige, versleutelde "berichtenmodi" waarmee banken kunnen samenwerken zonder ooit hun werkelijke klantendossiers te laten zien.

Zo werkt het, onderverdeeld in drie hoofdonderdelen:

1. De "Schaduwpop"-uitwisseling (Boundary Embedding)

In plaats van een foto van een klant te sturen (wat de identiteit onthult), sturen de banken een schaduwpop van het gedrag van de klant.

Hoe het werkt: De AI bij elke bank kijkt naar een klant en maakt een gecomprimeerde "vingerafdruk" (een embedding). Deze vingerafdruk beschrijft hoe de klant met anderen interageert (bijv. "Deze persoon stuurt snel geld naar 50 verschillende rekeningen"), maar het is wiskundig gehusseld zodat je de persoon niet kunt terugzien via de naam of het banksaldo.
De magie: De banken delen alleen deze vingerafdrukken voor de specifieke klanten die transacties hebben met andere banken (de "grens"-rekeningen). Dit stelt de AI in staat om het volledige plaatje van de geld-hoppende keten te zien zonder de werkelijke mensen betrokken te zien.

2. De "Quantum-bestendige" Kluis (Post-Quantum Security)

Het papier maakt zich veel zorgen over de toekomst. Ze weten dat er over 10 of 15 jaar superkrachtige Quantumcomputers uitgevonden kunnen zijn. Deze computers zouden de digitale sloten van vandaag kunnen breken, waardoor hackers gegevens kunnen stelen die jaren geleden versleuteld zijn opgeslagen (een dreiging genaamd "Harvest Now, Decrypt Later").

De oplossing: FedGraph-VASP gebruikt een speciaal type digitaal slot genaamd Kyber-512. Het is alsof je een kluis bouwt van een materiaal dat bekend staat als onbreekbaar, zelfs voor toekomstige quantum-supercomputers.
Het resultaat: Zelfs als een hacker vandaag versleutelde berichten steelt, zullen ze deze zelfs wanneer quantumcomputers bestaan in de toekomst niet kunnen openen.

3. De "Teamhuddle" (Federated Learning)

De banken sturen hun gegevens niet naar een centrale server. In plaats daarvan houden ze hun gegevens op hun eigen servers.

Elke bank traint zijn eigen AI lokaal.
Ze sturen hun "schaduwpoppen" (versleuteld) naar een centraal ontmoetingspunt.
De centrale server mengt deze aanwijzingen samen om het wereldwijde "Anti-Witwas"-model bij te werken.
Het bijgewerkte model wordt teruggestuurd naar de banken.

Wat hebben ze gevonden? (De Resultaten)

De onderzoekers hebben dit systeem getest met echte gegevens van Bitcoin-transacties (de "Elliptic"-dataset).

De concurrentie verslaan: Ze hebben hun methode vergeleken met andere manieren om dit probleem op te lossen.
- Lokale training (Geen contact): De AI zag alleen zijn eigen eiland. Het miste 60% van de criminelen.
- FedSage+ (De "Gok"-methode): Dit is een populaire methode waarbij de AI probeert te verzinnen of te "hallucineren" hoe de ontbrekende buren eruit zouden zien. Het papier vond dit riskant; de AI gokte te vaak fout, voegde ruis toe en miste de criminelen.
- FedGraph-VASP (De "Echte Aanwijzing"-methode): Door de werkelijke versleutelde "schaduwpoppen" te delen in plaats van te gokken, ving deze methode 12,1% meer criminelen dan de gokmethode.
De afweging: Het systeem werkt het beste wanneer banken enigszien verbonden zijn (zoals het Bitcoin-netwerk). Echter, als het netwerk extreem verspreid is (zoals het Ethereum-netwerk in hun test), presteerde een "gok"-methode eigenlijk beter. Dit benadrukt dat verschillende netwerken verschillende tools nodig hebben.
Privacy-check: Ze probeerden het systeem te hacken om te kijken of ze de "schaduwpoppen" konden terugveranderen in echte klantgegevens. Ze konden slechts ongeveer 32% van de oorspronkelijke informatie herstellen. Dit betekent dat het systeem veel veiliger is dan het delen van ruwe gegevens, hoewel niet 100% perfect (vandaar dat de extra "Quantum-proof" encryptie zo belangrijk is).

De Kernboodschap

FedGraph-VASP is een nieuwe manier voor banken om samen te werken en geldwassers te vangen zonder privacywetten te schenden.

Oude manier: "Ik kan je niets vertellen over mijn klanten, dus ik kan je niet helpen om de crimineel te vangen."
FedGraph-VASP manier: "Ik kan je niets vertellen over mijn klanten, maar ik kan je een versleutelde, quantum-vergrendelde aanwijzing geven over hoe ze zich gedragen. Als je jouw aanwijzingen met de mijne combineert, kunnen we de crimineel samen vangen zonder ooit elkaars privébestanden te zien."

Het biedt een praktisch pad voor banken om regelgeving (zoals de "Travel Rule") na te leven terwijl ze gebruikersgegevens beschermen tegen zowel huidige hackers als toekomstige quantumdreigingen.

Technische Samenvatting: FedGraph-VASP

Probleemstelling

Virtual Asset Service Providers (VASPs) staan voor een kritiek dilemma bij het bestrijden van grensoverschrijdende witwaspraktijken tussen instellingen. Effectieve detectie van geavanceerde schema's, zoals "chain-hopping" over meerdere blockchains en instellingen heen, vereist toegang tot transactiegegevens die verder gaan dan de silo van één enkele entiteit. De huidige regelgeving, zoals de FATF "Travel Rule", verplicht echter gegevensdeling die botst met gebruikersprivacy en zorgen over concurrentiegevoelige intelligentie.

Huidige oplossingen zijn onvoldoend:

Siloed Lokale Training: Hoewel deze systemen de privacy waarborgen, falen ze in het detecteren van cross-chain witwaspatronen, wat een "cross-chain blind spot" creëert.
Standaard Federated Learning (bijv. FedAvg): Deze methoden wisselen modelparameters uit, maar slagen er niet in om de cross-institutionele graaftopologie vast te leggen omdat ze geen structurele informatie delen over de randen (edges) die verschillende cliënten verbinden.
Generatieve Imputatie (bijv. FedSage+): Hoewel deze methoden proberen ontbrekende buren te synthetiseren, lopen ze het risico op het "hallucineren" van plausibele maar onnauwkeurige structurele data, wat de subtiele signalen van minderheidsfraude in sterk ongebalanceerde datasets kan maskeren.

Bovendien zijn financiële gegevens langdurig houdbaar, waardoor ze kwetsbaar zijn voor "harvest now, decrypt later"-aanvallen door toekomstige quantumcomputers, wat de noodzaak voor post-quantum beveiligingsmaatregelen met zich meebrengt die vaak ontbreken in huidige privacy-bewarende frameworks.

Methodologie

Het artikel stelt FedGraph-VASP voor, een privacy-bewarend federated graph learning framework dat ontworpen is om collaboratieve Anti-Money Laundering (AML) mogelijk te maken zonder ruwe gebruikersgegevens bloot te leggen. Het systeem werkt op een gedistribueerde transactiegraaf $G = (V, E)$ die verdeeld is over $K$ VASPs.

1. Boundary Embedding Exchange

In plaats van ruwe kenmerken te delen of synthetische buren te genereren, identificeert het framework boundary nodes ( $B_k$ )—accounts die betrokken zijn bij transacties over verschillende VASPs heen.

Mechanisme: Elke VASP traint een lokale GraphSAGE GNN op zijn eigen subgraaf. Voor boundary nodes extraheert het systeem gecomprimeerde, niet-inverteerbare vector-embeddings ( $h_v$ ) die de structurele buurt van de node vertegenwoordigen.
Uitlijning: Deze embeddings worden gedeeld om een boundary alignment loss ( $L_{boundary}$ ) te berekenen, die het lokale model aanmoedigt om representaties te produceren voor gedeelde accounts die consistent zijn met de representaties die door andere instellingen worden vastgehouden. Dit biedt authentieke topologische context zonder de ruwe transactiegegevens prijs te geven.

2. Post-Quantum Beveiliging

Om de uitgewisselde embeddings te beschermen tegen zowel klassieke als toekomstige quantum-adversaries, maakt het systeem gebruik van een hybride Key Encapsulation Mechanism (KEM) / Data Encapsulation Mechanism (DEM) architectuur:

Key Encapsulation: Gebruikt Kyber-512 (NIST-gestandaardiseerde ML-KEM) om quantum-resistente sessiesleutels te vestigen.
Data Encapsulation: Gebruikt het gedeelde geheim van Kyber als sleutel voor AES-256-GCM geauthentiseerde encryptie.
Protocol: Boundary embeddings worden versleuteld voordat ze naar een aggregatieserver worden verzonden, wat de vertrouwelijkheid en integriteit waarborgt.

3. Trainingsprotocol

De trainingslus omvat:

Lokale Training: Cliënten trainen op lokale subgrafen voor $E$ epochs, waarbij de classificatieverlies en de boundary alignment loss worden geminimaliseerd.
Uitwisseling: Cliënten uploaden modelgewichten ( $\theta$ ) en versleutelde boundary embeddings ( $E_k$ ) naar de server.
Aggregatie: De server aggregeert gewichten via FedAvg en distribueert buitenlandse boundary embeddings terug naar de cliënten.
Update: Cliënten decoderen buitenlandse embeddings en updaten hun lokale buffers om de boundary alignment in de volgende ronde te verfijnen.

Belangrijkste Bijdragen

Boundary Embedding Exchange Protocol: Een nieuwe benadering die gecomprimeerde, niet-inverteerbare GNN-representaties van boundary accounts deelt. Dit biedt authentieke topologische informatie voor cross-institutionele detectie terwijl de reconstructie van persoonlijk identificeerbare informatie (PII) wordt voorkomen.
Post-Quantum Cryptografische Integratie: De eerste integratie van de NIST-gestandaardiseerde Kyber-512 en AES-256-GCM in een federated graph learning framework voor AML, specifiek gericht op de "harvest now, decrypt later"-dreiging voor langdurige financiële data.
Strikte Empirische Evaluatie: Uitgebreide validatie op de Elliptic Bitcoin en Ethereum fraude-detectie datasets, inclusclusief statistische significantietoetsen, ablatie-studies en vergelijkingen met state-of-the-art baselines (FedAvg, FedSage+, en Local GNN).

Experimentele Resultaten

Prestaties op Bitcoin (Elliptic Dataset)

Gebruikmakend van realistische Louvern-partitionering (die ~0,24% cross-silo randen simuleert, wat de gefragmenteerde realiteit van bankwezen vertegenwoordigt):

FedGraph-VASP behaalde een F1-score van 0,508.
Dit presteerde beter dan de state-of-the-art generatieve baseline FedSage+ (F1=0,453) met 12,1%.
Het overtrof ook FedAvg (F1=0,499) en Local GNN (F1=0,389).
Analyse: De resultaten suggereren dat in scenario's met lage connectiviteit en sterke onbalans, het uitwisselen van werkelijke versleutelde embeddings superieur is aan generatieve imputatie, die ruis introduceert die de signalen van minderheidsfraude maskeert.

Prestaties in Scenario's met Hoge Connectiviteit

Gebruikmakend van METIS-partitionering (die ~33% cross-silo randen simuleert, wat toekomstige "Open Banking" scenario's vertegenwoordigt):

FedGraph-VASP behaalde een F1-score van 0,633, wat overeenkomt met gecentraliseerde prestatieniveaus (F1 $\approx$ 0,620).
Dit demonstreert de schaalbaarheid van het framework naarmate financiële ecosystemen meer onderling verbonden raken.

Generaliseerbaarheid naar Ethereum

Op de Ethereum Fraud Detection Dataset (Account-gebaseerd, ijle connectiviteit):

FedGraph-VASP (F1=0,635) presteerde vergelijkbaar met FedAvg, maar werd aanzienlijk ingehaald door FedSage+ (F1=0,855).
Trade-off: Het artikel merkt een duidelijk verschil op: de uitwisseling van topologische embeddings blinkt uit in verbonden grafen (Bitcoin), terwijl generatieve imputatie domineert in zeer modulaire, ijle grafen (Ethereum).

Privacy en Efficiëntie

Privacy: Embedding inversion attacks leverden een bescheiden $R^2$ -score op van 0,32, wat wijst op gedeeltelijke maar niet exacte feature-reconstructie. Echter, Membership Inference Attacks (MIA) vertoonden een hoge lekkage (AUC=0,95), een bekende beperking van niet-private GNN's op ijle grafen. De auteurs stellen dat het systeem prioriteit geeft aan de vertrouwelijkheid van kenmerken boven lidmaatschapsprivacy, wat aansluit bij het doel om propriëtaire transactie-intelligentie te beschermen.
Efficiëntie: De overhead van de post-quantum encryptie is verwaarloosbaar (<0,5% van de totale trainingstijd), met een doorvoer van ~10.500 embeddings per seconde met behulp van Kyber-512.

Betekenis en Claims

Het artikel claimt dat FedGraph-VASP een praktisch pad biedt naar regelgevende naleving die de privacygrenzen van instellingen respecteert. Door de spanning tussen gegevensdeling en privacy op te lossen, maakt het VASPs in staat om cross-chain witwaspatronen te detecteren die momenteel onzichtbaar zijn voor gesiloed systemen.

De auteurs benadrukken dat hun aanpak authentieke structurele zichtbaarheid biedt in plaats van synthetische data, wat cruciaal is voor AML waar nauwkeurigheid direct van invloed is op de detectie van complexe witwaschema's. Bovendien, door post-quantum cryptografie te integreren, adresseert het framework proactief de langetermijnbeveiligingsdreigingen voor financiële gegevens, waardoor de samenwerkende AML-modellen veilig blijven tegen toekomstige quantum-capaciteiten. Het werk benadrukt dat hoewel geen enkele methode alle graaftopologieën domineert, de voorgestelde boundary embedding exchange een superieure strategie is voor de sterk ongebalanceerde, laag-verbonden omgevingen die typerend zijn voor de huidige cryptocurrency AML-uitdagingen.