Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
Dit artikel stelt de Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network (BTR-DHGNN) voor, een transitieve framework die adresgedrag en expliciete transactierelaties gezamenlijk modelleert met richtingbewustzijn en adaptieve fusie om illegale Bitcoin-adressen effectief te detecteren ondanks labelonbalans en beperkingen van het UTXO-model.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Bitcoin werkt op een publiek grootboek, een transparant verslag van elke waardeoverdracht die ooit op het netwerk heeft plaatsgevonden. Hoewel de identiteiten achter de digitale adressen verborgen blijven, is de stroom van fondsen volledig zichtbaar, wat een unieke kans biedt voor financiële onderzoekers. Deze transparantie is echter een tweesnijdend zwaard. Criminelen gebruiken complexe technieken om hun sporen te verbergen, zoals het splitsen van fondsen over vele adressen, het combineren van geld uit verschillende bronnen, of het verplaatsen ervan door meerdere stadia om de link tussen de oorsprong en de bestemming te verbreken. Het detecteren van deze illegale activiteiten is moeilijk omdat de gegevens omvangrijk zijn, de labels die criminelen identificeren zeldzaam zijn, en de structuur van de transacties ingewikkeld is. Traditionele methoden kijken vaak naar een enkel adres in isolatie, waarbij ze tellen hoe vaak het geld heeft verzonden of ontvangen, maar deze aanpak mist de cruciale context van hoe fondsen daadwerkelijk door het netwerk bewegen.
Om dit op te lossen, hebben onderzoekers een nieuw systeem ontwikkeld genaamd de Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network. Dit hulpmiddel behandelt het Bitcoin-netwerk niet als een simpele lijst met getallen, maar als een complex web waarbij zowel de gewoonten van een adres als de specifieke verbindingen met andere adressen ertoe doen. Het systeem werkt door gelijktijdig twee verschillende soorten bewijs te observeren. Eerst analyseert het het "gedrag" van een adres, waarbij het naar de eigen geschiedenis kijkt: hoeveel geld het verplaatst, hoe vaak het actief is, de kosten die het betaalt en hoe lang het actief is geweest. Ten tweede onderzoekt het de "relaties", waarbij het het specifieke pad van de fondsen door het netwerk in kaart brengt. Cruciaal is dat dit systeem respect heeft voor de unieke manier waarop Bitcoin-transacties werken, door duidelijk onderscheid te maken tussen geld dat in een transactie gaat en geld dat eruit komt, in plaats van deze rollen met elkaar te vermengen. Door deze twee perspectieven te combineren, kan het model patronen herkennen die door geen van beide visies alleen geïdentificeerd zouden kunnen worden.
De onderzoekers testten dit systeem op een enorme, vaste dataset van historische Bitcoin-transacties met meer dan 800.000 adressen en meer dan 200.000 transacties. In deze dataset waren illegale adressen een zeer kleine minderheid, die minder dan zes procent van de gelabelde accounts vertegenwoordigden, wat de taak om hen te vinden deed lijken op het zoeken naar een paar specifieke korrels zand in een grote hoop. Het nieuwe systeem presteerde beter dan alle voorgaande methoden, inclusief standaard statistische instrumenten en andere grafiekgebaseerde modellen. Het behaalde een succespercentage waarbij het 94 procent van de illegale adressen correct identificeerde, terwijl het valse alarmen tot een minimum beperkte. Dit hoge niveau van nauwkeurigheid is essentieel omdat in de echte wereld onderzoekers door te veel valse alarmen worden overspoeld, terwijl het missen van zelfs maar enkele criminelen kan ervoor zorgen dat illegale fondsen ontsnappen.
Een belangrijke bevinding van de studie is dat het succes van het systeem rust op de zorgvuldige balans tussen het kijken naar de eigen geschiedenis van een adres en het kijken naar zijn buren. De onderzoekers ontdekten dat hoewel de verbindingen met andere adressen het sterkste signaal voor detectie bieden, het eigen gedrag van het adres essentieel is voor het wegfilteren van fouten. Zonder de gedragsmatige tak zou het systeem te veel onschuldige adressen als verdacht markeren. Zonder de relationele tak zou het de subtiele, complexe geldstromen missen die kenmerkend zijn voor criminele activiteiten. Het systeem leerde ook om te gaan met de zeldzaamheid van criminele labels door een speciale trainingsmethode te gebruiken die het dwingt om extra aandacht te besteden aan de weinige bekende slechte actoren, in plaats van hen te negeren ten gunste van de enorme hoeveelheid goede actoren.
De studie onthulde verder dat de manier waarop het systeem naar het netwerk kijkt, diepgaand van belang is. Het stelde vast dat het simpelweg verbinden van adressen aan transacties niet genoeg is; het systeem moet de richting van het geld begrijpen. Het behandelt de input van een transactie (waar het geld vandaan komt) en de output (waar het geld naartoe gaat) als afzonderlijke rollen. Dit onderscheid stelt het model in staat om de stroom van fondsen nauwkeuriger te volgen dan methoden die alle verbindingen als hetzelfde behandelen. Daarnaast introduceerden de onderzoekers een techniek waarbij het systeem tijdens de training oefent op licht gewijzigde versies van het netwerk. Dit helpt het model om de ware structuur van het netwerk te leren kennen, in plaats van toevallige of zwakke verbindingen te memoriseren die bij toeval zouden kunnen voorkomen.
In de definitieve analyse toont dit werk aan dat het detecteren van illegale Bitcoin-activiteit een tweeledige aanpak vereist die zowel de individuele gewoonten van een adres als de positie binnen de bredere stroom van fondsen respecteert. Het systeem vertrouwt niet op één enkele truc of een simpele regel, maar integreert meerdere lagen van bewijs om een beslissing te nemen. Het navigeert succesvol door de uitdaging van extreme onbalans, waarbij criminelen veruit in de minderheid zijn ten opzichte van legitieme gebruikers, en doet dit met een hoog niveau van precisie. De resultaten suggereren dat voor onderzoekers die met historische gegevens werken, deze aanpak een krachtige manier biedt om de lijst met verdachte adressen in te perken, waardoor de daaropvolgende handmatige beoordeling en bewijsverzameling efficiënter en effectiever wordt. De methode is ontworpen voor het analyseren van voltooide transactiegeschiedenissen, en biedt een robuust hulpmiddel om te begrijpen hoe fondsen door het Bitcoin-netwerk bewegen en om degenen te identificeren die proberen zich erin te verschuilen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.