🤖 machine learning

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

O FedGraph-VASP é uma estrutura de aprendizado de grafos federado que preserva a privacidade, utilizando criptografia pós-quântica e um protocolo de Troca de Incorporação de Fronteira para permitir a detecção de lavagem de dinheiro entre instituições, demonstrando um desempenho superior em relação às bases generativas em grafos de transações conectadas, ao mesmo tempo em que revela um compromisso dependente da topologia entre as estratégias de troca de incorporação e de imputação generativa.

Autores originais: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

Publicado 2026-01-27

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Daniel Commey, Matilda Nkoom, Yousef Alsenani, Sena G. Hounsinou, Garth V. Crosby

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: O Dilema do "Banco Silencioso"

Imagine um mundo onde cada banco é uma ilha separada. Quando um criminoso tenta lavar dinheiro sujo, ele não fica apenas em um banco; ele pula da Ilha A para a Ilha B para a Ilha C, fazendo com que o dinheiro pareça limpo.

A Situação Atual: Cada banco tem seu próprio segurança (uma IA) observando as pessoas dentro de sua própria ilha. Se um criminoso permanece em uma ilha, o segurança o pega. Mas se o criminoso pula para outra ilha, o primeiro segurança não sabe, e o segundo segurança também não sabe. Eles estão trabalhando em silos.
O Dilema: Para pegar esses criminosos que "pulam de ilha em ilha", os bancos precisam conversar entre si. Mas eles não podem simplesmente compartilhar suas listas de clientes ou detalhes de transações, pois isso violaria as leis de privacidade e vazaria segredos comerciais. É um beco sem saída: Compartilhar dados para pegar criminosos ou manter os dados privados e deixar os criminosos escaparem.

A Solução: FedGraph-VASP

Os autores criaram um novo sistema chamado FedGraph-VASP. Pense nele como um serviço de "mensageiro" seguro e criptografado que permite que os bancos colaborem sem nunca mostrar seus arquivos reais de clientes.

Veja como funciona, dividido em três partes principais:

1. A Troca de "Sombras de Fantoches" (Embedding de Fronteira)

Em vez de enviar uma foto de um cliente (o que revela sua identidade), os bancos enviam uma sombra de fantoche do comportamento do cliente.

Como funciona: A IA de cada banco observa um cliente e cria uma "impressão digital" comprimida (chamada de embedding). Essa impressão digital descreve como o cliente interage com outros (ex: "Esta pessoa envia dinheiro para 50 contas diferentes rapidamente"), mas ela é matematicamente embaralhada para que você não possa fazer engenharia reversa para descobrir o nome ou o saldo da conta da pessoa.
A Magia: Os bancos compartilham apenas essas impressões digitais para os clientes específicos que têm transações com outros bancos (as contas de "fronteira"). Isso permite que a IA veja o quadro completo da cadeia de movimentação de dinheiro sem ver as pessoas reais envolvidas.

2. O Cofre "À Prova de Computação Quântica" (Segurança Pós-Quântica)

O artigo está muito preocupado com o futuro. Eles sabem que, em 10 ou 15 anos, computadores quânticos superpoderosos poderão ser inventados. Esses computadores poderiam quebrar as travas digitais de hoje, permitindo que hackers roubem dados criptografados que foram salvos anos atrás (uma ameação chamada "Colha Agora, Decifre Depois").

A Correção: O FedGraph-VASP usa um tipo especial de trava digital chamada Kyber-512. É como construir um cofre com um material que é conhecido por ser inquebrável mesmo por futuros supercomputadores quânticos.
O Resultado: Mesmo que um hacker roube as mensagens criptografadas hoje, eles não conseguirão abri-las mesmo quando os computadores quânticos existirem no futuro.

3. O "Huddle de Equipe" (Aprendizado Federado)

Os bancos não enviam seus dados para um servidor central. Em vez disso, eles mantêm seus dados em seus próprios servidores.

Cada banco treina sua própria IA localmente.
Eles enviam suas "sombras de fantoches" (criptografadas) para um ponto de encontro central.
O servidor central mistura essas pistas para atualizar o modelo global de "Antilavagem de Dinheiro".
O modelo atualizado é enviado de volta para os bancos.

O Que Eles Descobriram? (Os Resultados)

Os pesquisadores testaram este sistema usando dados reais de transações de Bitcoin (o conjunto de dados "Elliptic").

Vencendo a Competição: Eles compararam seu método com outras formas de tentar resolver isso.
- Treinamento Local (Sem conversa): A IA só via sua própria ilha. Ela perdeu 60% dos criminosos.
- FedSage+ (O Método da "Suposição"): Este é um método popular onde a IA tenta inventar ou "alucinar" como seriam os vizinhos ausentes. O artigo descobriu que isso era arriscado; a IA errava demais, adicionando ruído e deixando passar criminosos.
- FedGraph-VASP (O Método da "Pista Real"): Ao compartilhar as sombras de fantoches reais (criptografadas) em vez de apenas supor, este método pegou 12,1% a mais de criminosos do que o método de suposição.
A Troca (Trade-off): O sistema funciona melhor quando os bancos estão minimamente conectados (como a rede Bitcoin). No entanto, se a rede for extremamente esparsa (como a rede Ethereum em seu teste), um método de "suposição" teve um desempenho melhor. Isso destaca que diferentes redes precisam de ferramentas diferentes.
Verificação de Privacidade: Eles tentaram hackear o sistema para ver se conseguiam transformar as "sombras de fantoches" de volta em dados reais de clientes. Eles conseguiram recuperar apenas cerca de 32% das informações originais. Isso significa que o sistema é muito mais seguro do que compartilhar dados brutos, embora não seja 100% perfeito (razão pela qual a criptografia extra "À Prova de Computação Quântica" é tão importante).

Conclusão

FedGraph-VASP é uma nova forma de os bancos se unirem para pegar lavadores de dinheiro sem violar as leis de privacidade.

Jeito Antigo: "Não posso te falar sobre meus clientes, então não posso te ajudar a pegar o criminoso."
Jeito FedGraph-VASP: "Não posso te falar sobre meus clientes, mas posso te dar uma pista embaralhada e trancada por tecnologia quântica sobre como eles se comportam. Se você combinar suas pistas com as minhas, podemos pegar o criminoso juntos sem nunca ver os arquivos privados um do outro."

Ele oferece um caminho prático para os bancos seguirem regulamentações (como a "Regra de Viagem") enquanto mantêm os dados dos usuários seguros contra hackers atuais e futuras ameaças quânticas.

Resumo Técnico: FedGraph-VASP

Declaração do Problema

Os Provedores de Serviços de Ativos Virtuais (VASPs) enfrentam um dilema crítico no combate à lavagem de dinheiro transinstitucional. A detecção eficaz de esquemas sofisticados, como o "chain-hopping" (salto entre cadeias) através de múltiplas blockchains e instituições, requer acesso a dados de transações além do silo de uma única entidade. No entanto, marcos regulatórios como a "Regra de Viagem" (Travel Rule) da FATF exigem o compartilhamento de dados que conflita com a privacidade do usuário e com preocupações de inteligência competitiva.

As soluções atuais são insuficientes:

Treinamento Local Silado: Embora preservem a privacidade, esses sistemas falham em detectar padrões de lavagem de dinheiro cross-chain, criando um "ponto cego cross-chain".
Aprendizado Federado Padrão (ex: FedAvg): Estes métodos trocam parâmetros de modelos, mas falham em capturar a topologia de grafos transinstitucionais porque não compartilham informações estruturais sobre as arestas que conectam diferentes clientes.
Imputação Generativa (ex: FedSage+): Embora tentem sintetizar vizinhos ausentes, esses métodos correm o risco de "alucinar" dados estruturais plausíveis, mas imprecisos, o que pode obscurecer os sinais sutis de classes de fraude minoritárias em conjuntos de dados altamente desbalanceados.

Além disso, os dados financeiros são de longa duração, tornando-os vulneráveis a ataques de "colha agora, decifre depois" (harvest now, decrypt later) por computadores quânticos futuros, o que exige medidas de segurança pós-quânticas frequentemente ausentes em frameworks de preservação de privacidade atuais.

Metodologia

O artigo propõe o FedGraph-VASP, um framework de aprendizado de grafos federado que preserva a privacidade, projetado para permitir o AML (Anti-Lavagem de Dinheiro) colaborativo sem expor dados brutos de usuários. O sistema opera em um grafo de transações distribuído $G = (V, E)$ particionado entre $K$ VASPs.

1. Troca de Embedding de Fronteira (Boundary Embedding Exchange)

Em vez de compartilhar características brutas ou gerar vizinhos sintéticos, o framework identifica nós de fronteira ( $B_k$ ) — contas envolvidas em transações entre diferentes VASPs.

Mecanismo: Cada VASP treina um GNN GraphSAGE local em seu subgrafo. Para os nós de fronteira, o sistema extrai embeddings vetoriais comprimidos e não invertíveis ( $h_v$ ) que representam a vizinhança estrutural do nó.
Alinhamento: Esses embeddings são compartilhados para calcular uma perda de alinhamento de fronteira ( $L_{boundary}$ ), que incentiva o modelo local a produzir representações para contas compartilhadas que sejam consistentes com as representações mantidas por outras instituições. Isso fornece um contexto topológico autêntico sem revelar dados de transações brutos.

2. Segurança Pós-Quântica

Para proteger os embeddings trocados contra adversários clássicos e quânticos futuros, o sistema emprega uma arquitetura híbrida de Mecanismo de Encapsulamento de Chave (KEM) / Mecanismo de Encapsulamento de Dados (DEM):

Encapsulamento de Chave: Utiliza Kyber-512 (ML-KEM padronizado pelo NIST) para estabelecer chaves de sessão resistentes ao quantum.
Encapsulamento de Dados: Utiliza o segredo compartilhado do Kyber como uma chave para a criptografia autenticada AES-256-GCM.
Protocolo: Os embeddings de fronteira são criptografados antes da transmissão para um servidor de agregação, garantindo confidencialidade e integridade.

3. Protocolo de Treinamento

O loop de treinamento envolve:

Treinamento Local: Clientes treinam em subgrafos locais por $E$ épocas, minimizando a perda de classificação e a perda de alinhamento de fronteira.
Troca: Clientes fazem o upload dos pesos do modelo ( $\theta$ ) e dos embeddings de fronteira criptografados ( $E_k$ ) para o servidor.
Agregação: O servidor agrega os pesos via FedAvg e distribui os embeddings de fronteira estrangeiros de volta aos clientes.
Atualização: Os clientes descriptografam os embeddings estrangeiros e atualizam seus buffers locais para refinar o alinhamento de fronteira na próxima rodada.

Principais Contribuições

Protocolo de Troca de Embedding de Fronteira: Uma abordagem inovadora que compartilha representações de GNN comprimidas e não invertíveis de contas de fronteira. Isso fornece informações topológicas autênticas para detecção transinstitucional enquanto evita a reconstrução de Informações de Identificação Pessoal (PII).
Integração de Criptografia Pós-Quântica: A primeira integração do Kyber-512 e AES-256-GCM (padronizados pelo NIST) em um framework de aprendizado de grafos federado para AML, abordando especificamente a ameaça "colha agora, decifre depois" para dados financeiros de longo prazo.
Avaliação Empírica Rigorosa: Validação abrangente nos conjuntos de dados de detecção de fraude Elliptic Bitcoin e Ethereum, incluindo testes de significância estatística, estudos de ablação e comparações com baselines de estado da arte (FedAvg, FedSage+ e Local GNN).

Resultados Experimentais

Desempenho no Bitcoin (Dataset Elliptic)

Usando particionamento Louvain realista (simulando ~0,24% de arestas cross-silo, representando o fragmentado mundo real bancário):

O FedGraph-VASP alcançou um F1-score de 0,508.
Superou o baseline generativo de estado da arte FedSage+ (F1=0,453) em 12,1%.
Também superou o FedAvg (F1=0,499) e o Local GNN (F1=0,389).
Análise: Os resultados sugerem que, em cenários de fraude altamente desbalanceados e de baixa conectividade, a troca de embeddings reais criptografados é superior à imputação generativa, que introduz ruído que obscurece os sinais de fraude minoritária.

Desempenho em Cenários de Alta Conectividade

Usando particionamento METIS (simulando ~33% de arestas cross-silo, representando futuros cenários de "Open Banking"):

O FedGraph-VASP alcançou um F1-score de 0,633, igualando o nível de desempenho centralizado (F1 $\approx$ 0,620).
Isso demonstra a escalabilidade do framework à medida que os ecossistemas financeiros se tornam mais interconectados.

Generalização para Ethereum

No Ethereum Fraud Detection Dataset (Baseado em conta, conectividade esparsa):

O FedGraph-VASP (F1=0,635) teve um desempenho comparável ao FedAvg, mas foi significativamente superado pelo FedSage+ (F1=0,855).
Trade-off: O artigo observa um trade-off distinto: a troca de embeddings topológicos se destaca em grafos conectados (Bitcoin), enquanto a imputação generativa domina em grafos altamente modulares e esparsos (Ethereum).

Privacidade e Eficiência

Privacidade: Ataques de inversão de embedding resultaram em um score $R^2$ modesto de 0,32, indicando uma recuperação parcial, mas não exata, de características. No entanto, Ataques de Inferência de Membros (MIA) mostraram alto vazamento (AUC=0,95), uma limitação conhecida de GNNs não privados em grafos esparsos. Os autores argumentam que o sistema prioriza a confidencialidade de características sobre a privacidade de membros, o que se alinha ao objetivo de proteger a inteligência transacional proprietária.
Eficiência: O overhead de criptografia pós-quântica é insignificante (<0,5% do tempo total de treinamento), com um throughput de ~10.500 embeddings por segundo usando Kyber-512.

Significância e Alegações

O artigo afirma que o FedGraph-VASP oferece um caminho prático para a conformidade regulatória que respeita os limites de privacidade institucional. Ao resolver a tensão entre o compartilhamento de dados e a privacidade, ele permite que os VASPs detectem padrões de lavagem de dinheiro cross-chain que são atualmente invisíveis para sistemas silados.

Os autores enfatizam que sua abordagem fornece visibilidade estrutural autêntica em vez de dados sintéticos, o que é crítico para o AML, onde a precisão impacta diretamente a detecção de esquemas complexos de lavagem. Além disso, ao integrar criptografia pós-quântica, o framework aborda proativamente ameaças de segurança de longo prazo para dados financeiros, garantindo que os modelos de AML colaborativos permaneçam seguros contra futuras capacidades quânticas. O trabalho destaca que, embora nenhum método único domine todas as topologias de grafos, a proposta de troca de embedding de fronteira é uma estratégia superior para os ambientes de baixa conectividade e altamente desbalanceados típicos dos desafios atuais de AML em criptomoedas.