論文の概要: Topological Analysis of Mixer Activities in the Bitcoin Network
- arxiv url: http://arxiv.org/abs/2504.11924v1
- Date: Wed, 16 Apr 2025 09:58:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:37:56.142898
- Title: Topological Analysis of Mixer Activities in the Bitcoin Network
- Title（参考訳）: Bitcoinネットワークにおけるミキサー活動のトポロジカル分析
- Authors: Francesco Zola, Jon Ander Medina, Andrea Venturi, Raul Orduna,
- Abstract要約: 本稿では,ミキサーの操作をアドレス-応答グラフを用いて解析する手法を提案する。
ミキサーのmodus operandiを定義できる共通パターンを識別する。
このアプローチは、Bitcoinブロックチェーン内のBlender.ioミキサーアクティビティを識別するために適用される。
- 参考スコア（独自算出の注目度）: 1.9124291792743577
- License:
- Abstract: Cryptocurrency users increasingly rely on obfuscation techniques such as mixers, swappers, and decentralised or no-KYC exchanges to protect their anonymity. However, at the same time, these services are exploited by criminals to conceal and launder illicit funds. Among obfuscation services, mixers remain one of the most challenging entities to tackle. This is because their owners are often unwilling to cooperate with Law Enforcement Agencies, and technically, they operate as 'black boxes'. To better understand their functionalities, this paper proposes an approach to analyse the operations of mixers by examining their address-transaction graphs and identifying topological similarities to uncover common patterns that can define the mixer's modus operandi. The approach utilises community detection algorithms to extract dense topological structures and clustering algorithms to group similar communities. The analysis is further enriched by incorporating data from external sources related to known Exchanges, in order to understand their role in mixer operations. The approach is applied to dissect the Blender.io mixer activities within the Bitcoin blockchain, revealing: i) consistent structural patterns across address-transaction graphs; ii) that Exchanges play a key role, following a well-established pattern, which raises several concerns about their AML/KYC policies. This paper represents an initial step toward dissecting and understanding the complex nature of mixer operations in cryptocurrency networks and extracting their modus operandi.
- Abstract（参考訳）: 暗号通貨のユーザーは、匿名性を保護するためにミキサー、スワッパー、分散化または非KYC取引所などの難読化技術にますます頼っている。
しかし同時に、これらのサービスは犯罪者に悪用され、違法な資金を隠蔽して洗浄する。
難読化サービスの中では、ミキサーは取り組まなければならない最も困難な要素の1つだ。
これは、所有者が法執行機関と協力することを望まないことが少なく、技術的には「ブラックボックス」として運営されるためである。
そこで本研究では,ミキサーの動作を解析するために,ミキサーのアドレス-トランザクショングラフを調べ,トポロジ的類似性を同定し,ミキサーの動作を定義する共通パターンを明らかにする手法を提案する。
このアプローチは、コミュニティ検出アルゴリズムを利用して、密集したトポロジ構造とクラスタリングアルゴリズムを抽出し、類似したコミュニティをグループ化する。
この分析は、ミキサー操作におけるそれらの役割を理解するために、既知のExchangesに関連する外部ソースのデータを統合することでさらに強化される。
このアプローチは、Bitcoinブロックチェーン内のBlender.ioミキサーアクティビティを識別するために適用されます。
一 アドレス-取引グラフにまたがる一貫した構造パターン
二 取引所は、AML/KYC政策に関するいくつかの懸念を生じさせる、確立したパターンに従って重要な役割を担っていること。
本稿では,暗号通貨ネットワークにおけるミキサー操作の複雑な性質の解明と理解に向けての最初のステップを示す。
関連論文リスト
- Optimizing Blockchain Analysis: Tackling Temporality and Scalability with an Incremental Approach with Metropolis-Hastings Random Walks [2.855856661274715]
既存のメソッドは主にトランザクションネットワークのスナップショットに焦点を当てている。
本稿では,トランザクションネットワークにおけるランダムウォークに基づくノード表現学習のための漸進的なアプローチを提案する。
潜在的なアプリケーションには、トランザクションネットワークの監視、不正検出のためのブロックチェーンアドレスの効率的な分類、ネットワーク内の特別なアドレスタイプの識別などがある。
論文 参考訳（メタデータ） (2025-01-21T20:34:38Z) - MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。
トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。
MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
論文 参考訳（メタデータ） (2024-12-19T12:52:53Z) - Characterizing Polkadot's Transactions Ecosystem: methodology, tools, and insights [1.912429179274357]
Polkadotは、相互運用性とスケーラビリティに対する先駆的なアプローチによって、デジタル通貨の世界において大きな注目を集めている。
Polkadotを、繁栄するエコシステムから、説得力のあるユースケースのない投機的なコインまで、幅広いパレットにマップします。
以上の結果から,暗号通貨取引所はポロキャットネットワークに大きな影響を与え,台帳内のアドレスの40%近くを保有し,少なくとも80%を吸収していることが明らかとなった。
論文 参考訳（メタデータ） (2024-04-16T13:11:02Z) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-28T07:08:26Z) - MRL-PoS: A Multi-agent Reinforcement Learning based Proof of Stake Consensus Algorithm for Blockchain [0.18641315013048293]
本稿では,マルチエージェント強化学習に基づくProof-of-StakeコンセンサスアルゴリズムであるMRL-PoSを紹介する。
悪意のあるノードを排除し、正直なノードにインセンティブを与える、報酬と罰則の仕組みが組み込まれている。
論文 参考訳（メタデータ） (2023-12-14T16:58:18Z) - 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) - Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application
of Machine Learning-based Forensics [5.617291981476445]
本論文は,さまざまな手法を用いて,有向グラフネットワークとして表現されるBitcoinトランザクションの現実的なデータセットを解析する。
これは、Graph Convolutional Networks(GCN)とGraph Attention Networks(GAT)として知られるニューラルネットワークタイプが、有望なAML/CFTソリューションであることを示している。
論文 参考訳（メタデータ） (2022-06-07T16:22:55Z) - A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。
我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文 参考訳（メタデータ） (2020-09-09T18:19:31Z) - Monotonic Value Function Factorisation for Deep Multi-Agent
Reinforcement Learning [55.20040781688844]
QMIXは、中央集権的なエンドツーエンドで分散ポリシーをトレーニングできる新しい価値ベースの手法である。
深層多エージェント強化学習のための新しいベンチマークとして,StarCraft Multi-Agent Challenge (SMAC)を提案する。
論文 参考訳（メタデータ） (2020-03-19T16:51:51Z)
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。