論文の概要: Demystifying Fraudulent Transactions and Illicit Nodes in the Bitcoin Network for Financial Forensics

• arxiv url: http://arxiv.org/abs/2306.06108v1
• Date: Thu, 25 May 2023 18:36:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-18 12:51:00.506331
• Title: Demystifying Fraudulent Transactions and Illicit Nodes in the Bitcoin Network for Financial Forensics
• Title（参考訳）: 金融調査のためのBitcoinネットワークにおける不正取引と不正ノードの謎
• Authors: Youssef Elmougy and Ling Liu
• Abstract要約: 本稿では,Bitcoinネットワークにおける不正検出に対する総合的な応用データサイエンス手法を提案する。 まず、Elliptic++データセットをコントリビュートし、Ellipticトランザクションデータセットを拡張して、822万のBitcoinウォレットアドレス(ノード)を含むようにします。 第2に、多様な機械学習アルゴリズムを用いて、4つのグラフすべてに対して不正検出タスクを実行する。
• 参考スコア（独自算出の注目度）: 8.97719386315469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blockchain provides the unique and accountable channel for financial forensics by mining its open and immutable transaction data. A recent surge has been witnessed by training machine learning models with cryptocurrency transaction data for anomaly detection, such as money laundering and other fraudulent activities. This paper presents a holistic applied data science approach to fraud detection in the Bitcoin network with two original contributions. First, we contribute the Elliptic++ dataset, which extends the Elliptic transaction dataset to include over 822k Bitcoin wallet addresses (nodes), each with 56 features, and 1.27M temporal interactions. This enables both the detection of fraudulent transactions and the detection of illicit addresses (actors) in the Bitcoin network by leveraging four types of graph data: (i) the transaction-to-transaction graph, representing the money flow in the Bitcoin network, (ii) the address-to-address interaction graph, capturing the types of transaction flows between Bitcoin addresses, (iii) the address-transaction graph, representing the bi-directional money flow between addresses and transactions (BTC flow from input address to one or more transactions and BTC flow from a transaction to one or more output addresses), and (iv) the user entity graph, capturing clusters of Bitcoin addresses representing unique Bitcoin users. Second, we perform fraud detection tasks on all four graphs by using diverse machine learning algorithms. We show that adding enhanced features from the address-to-address and the address-transaction graphs not only assists in effectively detecting both illicit transactions and illicit addresses, but also assists in gaining in-depth understanding of the root cause of money laundering vulnerabilities in cryptocurrency transactions and the strategies for fraud detection and prevention. Released at github.com/git-disl/EllipticPlusPlus.
• Abstract（参考訳）: Blockchainは、オープンで不変なトランザクションデータをマイニングすることで、金融法医学のユニークな説明可能なチャネルを提供する。 最近の急増は、マネーロンダリングやその他の不正行為などの異常検出のために暗号通貨トランザクションデータを使った機械学習モデルをトレーニングすることで目撃されている。 本稿では,bitcoinネットワークにおける不正検出に対する総括的応用データサイエンスアプローチについて述べる。 まず、楕円型トランザクションデータセットを拡張して、56のフィーチャと1.27mの時間的インタラクションを備えた822万以上のbitcoinウォレットアドレス(ノード)を含むelliptic++データセットをコントリビュートします。 これにより4種類のグラフデータを活用することで、不正取引の検出と、bitcoinネットワーク内の不正アドレス(アクタ)の検出の両方が可能になる。 (i)bitcoinネットワークにおけるマネーフローを表すトランザクション・ツー・トランザクショングラフ。 (ii)Bitcoinアドレス間のトランザクションフローのタイプをキャプチャするアドレス-アドレス間相互作用グラフ。 3 アドレスと取引の間の双方向の金銭フローを表すアドレス-取引グラフ(入力アドレスから1つ以上の取引へのBTCフロー及び取引から1つ以上の出力アドレスへのBTCフロー) (iv) 独自のBitcoinユーザを表すBitcoinアドレスのクラスタをキャプチャするユーザエンティティグラフ。 第2に,4つのグラフすべてにおいて,機械学習アルゴリズムを用いて不正検出を行う。 不正取引と不正アドレスの両方を効果的に検出するだけでなく,暗号通貨取引におけるマネーロンダリング脆弱性の根本原因や不正検出・防止戦略を深く理解する上で,address-to-addressとaddress-transaction graphから強化された機能を追加することが有効であることを示す。 github.com/git-disl/EllipticPlusPlusでリリース。

関連論文リスト

• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Chainlet Orbits: Topological Address Embedding for the Bitcoin Blockchain [15.099255988459602]
  匿名性のある取引を可能にするBitcoinのような暗号通貨の台頭は、さまざまな不正行為の急増につながっている。 トランザクションにおけるそのトポロジ的特性を活用して,Bitcoinアドレスを埋め込む,Chainlet Orbitsという効果的なソリューションを導入する。 当社のアプローチでは,Bitcoinトランザクションネットワーク上で,解釈可能かつ説明可能なマシンラーニングモデルを,ほとんどの日において15分以内で使用することが可能です。
  論文  参考訳（メタデータ） (2023-05-18T21:16:59Z)
• Blockchain Large Language Models [65.7726590159576]
  本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。 提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
  論文  参考訳（メタデータ） (2023-04-25T11:56:18Z)
• Demystifying Bitcoin Address Behavior via Graph Neural Networks [20.002509270755443]
  BAClassifierは、行動に基づいて自動的にbitcoinアドレスを分類するツールである。 私たちは200万以上の現実世界のbitcoinアドレスからなる大規模な注釈付きデータセットを構築し、リリースします。
  論文  参考訳（メタデータ） (2022-11-26T14:55:50Z)
• Pattern Analysis of Money Flow in the Bitcoin Blockchain [1.14219428942199]
  本研究では, テントフローを抽出するために, テント解析に基づく手法を提案する。 テントフローの特徴付けにグラフ埋め込み法を適用した。 私たちの研究は、ソースアクターを分類する上で、マネーフローのトレースが有望なアプローチであることを証明しています。
  論文  参考訳（メタデータ） (2022-07-15T07:15:16Z)
• Towards Malicious address identification in Bitcoin [3.646526715728388]
  時間的特徴セットと非時間的特徴セットを生成し、異なる時間的粒度の機械学習(ML)アルゴリズムを訓練し、手法を検証する。 比較分析によると、アドレスとBitcoinの振る舞いは、インディグリー、アウトディグリー、インターイベントタイムと似ている。 時間的粒度の異なる悪質な行動を示した3人の被疑者を同定した。
  論文  参考訳（メタデータ） (2021-12-22T08:11:58Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Blockchain Phishing Scam Detection via Multi-channel Graph Classification [1.6980621769406918]
  フィッシング詐欺検出方法は、被害者を保護し、より健全なブロックチェーンエコシステムを構築する。 ユーザのためのトランザクションパターングラフを定義し,フィッシング詐欺検出をグラフ分類タスクに変換する。 提案したマルチチャネルグラフ分類モデル(MCGC)は,対象ユーザのトランザクションパターンの特徴を抽出することにより,潜在的なフィッシングを検出することができる。
  論文  参考訳（メタデータ） (2021-08-19T02:59:55Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)
• Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
  GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。 我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。 実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-27T18:26:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。