Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network for Joint Modeling of Address Behavior and Transaction Relations in Illicit Bitcoin Address Detection
本文提出了一种行为-交易关系双支路混合图神经网络（BTR-DHGNN），这是一个转导式框架，通过具有方向感知和自适应融合能力的建模方式，共同对地址行为与显式交易关系进行建模，从而在存在标签不平衡和 UTXO 模型局限性的情况下，有效地检测非法比特币地址。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
比特币运行在一个公开账本之上，这是一个记录了其网络中发生过的每一次价值转移的透明记录。虽然数字地址背后的身份仍然隐藏，但资金的流向是完全可见的，这为金融调查人员创造了一个独特的机会。然而，这种透明度是一把双刃剑。犯罪分子使用复杂的技巧来掩盖他们的踪迹，例如将资金拆分到许多地址中、将来自不同来源的资金进行组合，或者通过多个阶段移动资金，以切断起点与终点之间的联系。检测这些非法活动非常困难，因为数据量巨大，识别犯罪者的标签十分稀少，且交易结构错综复杂。传统方法通常孤立地观察单个地址，统计它发送或接收了多少次资金，但这种方法忽略了资金如何在网络中实际流动的关键背景。
为了解决这个问题，研究人员开发了一种名为“行为-交易关系双分支混合图神经网络”（Behavior–Transaction Relation Dual-Branch Hybrid Graph Neural Network）的新系统。该工具不将比特币网络视为简单的数字列表，而是将其视为一个复杂的网络，其中地址自身的习惯及其与其他地址的具体连接都至关重要。该系统通过同时观察两种不同类型的证据来运作。首先，它分析地址的“行为”，观察其自身的历史：它移动了多少资金、行动频率如何、支付了多少手续费以及活跃了多久。其次，它检查“关系”，绘制资金通过网络的特定路径。至关重要的是，该系统尊重比特币交易的独特方式，清晰地区分资金进入交易（输入）和资金离开交易（输出）的角色，而不是将这些角色混为一谈。通过结合这两个视角，该模型可以发现单一视角无法识别出的模式。
研究人员在一个包含超过 80 万个地址和 20 万多笔交易的历史比特币交易大规模固定数据集上测试了该系统。在这个数据集中，非法地址是极少数，仅占标记账户的不到 6%，这使得寻找它们的过程就像在大堆沙子中寻找几粒特定的沙子一样。这个新系统优于所有以往的方法，包括标准的统计工具和其他基于图的模型。它实现了高达 94% 的成功率，能够正确识别非法地址，同时将误报控制在极低水平。这种高水平的准确性至关重要，因为在现实世界的调查中，过多的误报会使人类分析师应接不暇，而漏掉哪怕一两个罪犯也会导致非法资金逃脱。
该研究的一个关键发现是，系统的成功依赖于在观察地址自身历史与观察其邻居之间取得精细平衡。研究人员发现，虽然与其他地址的连接提供了最强的检测信号，但地址自身的行为对于过滤错误是必不可少的。如果没有行为分支，系统会将太多无辜的地址标记为可疑；如果没有关系分支，它就会错过那些具有犯罪特征的微妙且复杂的资金流动。该系统还学会了处理犯罪标签稀缺的问题，通过一种特殊的训练方法，迫使它密切关注少数已知的坏人，而不是为了追求庞大的好人数量而忽略他们。
研究进一步揭示，系统观察网络的方式至关重要。研究发现，仅仅将地址与交易相连是不够的；系统必须理解资金的方向。它将交易的输入（资金来自哪里）和输出（资金去往哪里）视为不同的角色。这种区分使得模型能够比那些将所有连接视为同类的方法更准确地追踪资金流。此外，研究人员引入了一种技术，让系统在训练期间在略微改变的网络版本上进行练习。这有助于模型学习网络的真实结构，而不是去记忆那些可能偶然出现的、微弱或随机的连接。
在最终分析中，这项工作表明，检测非法的比特币活动需要一种既尊重地址个体习惯，又尊重其在整体资金流中位置的双重方法。该系统并不依赖于单一的技巧或简单的规则，而是整合了多个层面的证据来进行决策。它成功地应对了极端失衡的挑战，即犯罪分子在合法用户中数量极少，并且在保持高度精确性的同时完成了任务。结果表明，对于处理历史数据的调查人员而言，这种方法提供了一种强大的方式来缩小可疑地址的范围，使随后的手动审查和证据收集更加高效且有效。该方法旨在用于分析已完成的交易历史，为理解资金如何在比特币网络中移动并识别那些试图隐藏其中的人提供了一个稳健的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。