論文の概要: MixGuard: Towards Detecting and Understanding Mixer Laundering on Ethereum
- arxiv url: http://arxiv.org/abs/2609.27807v1
- Date: Tue, 15 Sep 2026 23:00:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.008519
- Title: MixGuard: Towards Detecting and Understanding Mixer Laundering on Ethereum
- Title（参考訳）: MixGuard:EthereumによるMixer Launderingの検出と理解を目指す
- Abstract要約: 既存のマネーロンダリング研究は、特にミキサーロンダリングを対象としていない。
パブリックレポートは断片化されており、システマティックな計測と検出のためのパブリックケースレベルのデータセットは残っていない。
我々は,3段階の表現学習と2段階のグルーピングを組み合わせて,トランザクションレベルの検出とケースアウェアグルーピングを行うtextscMixGuard を開発した。
- 参考スコア（独自算出の注目度）: 50.358221211998284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mixers protect privacy by concealing deposit--withdrawal links, but are also abused to launder illicit funds. Existing anti-money laundering studies do not specifically target mixer laundering, while mixer research focuses on deanonymization rather than identifying laundering-related transactions. Public reports remain fragmented, leaving no public case-level dataset for systematic measurement and detection. To fill this void, this paper presents the first comprehensive study of mixer laundering on Ethereum. We first construct \textsc{MixLaunder}, the first public case-level dataset of mixer laundering. It covers 27 cases involving Tornado Cash and Railgun from 2020 to 2025 and labels 9,300 laundering-related transactions with case identities and observable upstream and downstream fund flows, including deposits totaling approximately \$1.1 billion. By comparing these transactions with background mixer usage, we identify five common strategies, showing that laundering evidence spans complementary behavioral and fund-flow contexts, while same-case activity is locally tight but weakly connected across bursts. Our analysis further reveals coverage gaps in mixer-side risk screening and representative deanonymization heuristics. Guided by these findings, we develop \textsc{MixGuard}, which combines tri-view representation learning with two-stage grouping for transaction-level detection and case-aware grouping. Under strict case-level holdout evaluation, \textsc{MixGuard} outperforms representative baselines, achieving 97.89\% detection precision and 98.73\% group purity, while its top ten groups cover 95.09\% of each case's transactions on average.
- Abstract（参考訳）: ミキサーは預金を隠蔽することでプライバシーを保護するが、違法な資金を洗浄するために悪用される。
既存のマネーロンダリング研究は、特にミキサー洗浄を対象とせず、ミキサー研究は、マネーロンダリング関連の取引を識別するのではなく、匿名化に焦点を当てている。
パブリックレポートは断片化されており、システマティックな計測と検出のためのパブリックケースレベルのデータセットは残っていない。
この空白を埋めるために,Ethereum上でのミキサー洗浄に関する総合的研究を行った。
最初に、mixer launderingの最初のパブリックケースレベルのデータセットであるtextsc{MixLaunder}を構築します。
2020年から2025年までのTornado CashとRailgunを含む27のケースと、ケースIDと監視可能な上流および下流のファンドフローを含む9,300の洗浄関連取引のラベルをカバーしている。
これらの取引を背景ミキサーの使用法と比較することにより、洗浄の証拠は相補的な行動や資金の流れの文脈にまたがるが、同ケースの活動は局所的に強く、バースト全体で弱く結びついていることを示す5つの共通戦略を同定する。
本分析により,ミキサー側のリスクスクリーニングと代表的な匿名化ヒューリスティックスにおけるカバレッジギャップがさらに明らかになった。
これらの知見に導かれて,トリビュー表現学習と2段階のグルーピングを組み合わせて,トランザクションレベルの検出とケースアウェアグルーピングを行う「textsc{MixGuard}」を開発した。
厳格なケースレベルのホールドアウト評価では、 \textsc{MixGuard} は代表ベースラインを上回り、97.89\%検出精度と98.73\%グループ純度を達成し、上位10グループは各ケースのトランザクションの95.09\%を平均でカバーしている。
関連論文リスト
- Bridging the Opacity: Evidence-Backed Cross-Chain Transaction Correspondence Reconstruction Across Heterogeneous Blockchains [69.29257298191438]
クロスチェーンブリッジは相互運用を可能にするが、不正な資金の追跡に必要なトランザクションパスも破壊する。
サードパーティの調査員は通常、ブリッジバックエンドが保持するソース・ツー・デスティネーションマッピングにアクセスすることができない。
我々は,クロスチェーントランザクション通信を再構築するエビデンス駆動システムであるXSplicerを提案する。
論文 参考訳（メタデータ） (2026-09-16T05:38:42Z) - FlowShield: cryptocurrency anti-money laundering with transaction semantics parsing and fund flow tracking [46.45233269509415]
textscFlowShieldは、トランザクションレベルの洗浄検知と調査対象のレポート生成のためのCrypto AMLフレームワークである。
textscFlowShieldは3つの相補的な視点からファンドフローのサブグラフを再構築する。
次に、大きな言語モデル(LLM)エンコードされたセマンティクスと、グラフ畳み込みネットワーク(GCN)エンコードされた構造を持つフローテキストとの相互作用を可能にする、テキスト構造融合機構を使用する。
論文 参考訳（メタデータ） (2026-08-18T04:21:19Z) - Tracing the Shadows: Automatic Tracking and Analysis of Crypto Money Laundering via Transaction Semantic Analysis [36.26120394341506]
マネーロンダリングの手法は、DeFiトランザクションのセマンティックな複雑さに対処するのに苦労する。
アカウントベースのブロックチェーンのための意味認識型AMLフレームワークであるAMLGuardを提案する。
AMLGuardが82件の現実世界のマネーロンダリング事件に対して有効であることを評価する。
論文 参考訳（メタデータ） (2026-07-21T09:00:47Z) - Clue-Guided Money Laundering Group Discovery [9.863591636558047]
Money Laundering Group Discoveryは、隠れた犯罪グループを特定し、大規模な金融ネットワークでその完全な構造を回復することを目的としている。
既存のグラフ異常検出手法は主にノードレベルのリスク警告を生成するが、グローバルグループ発見手法はネットワーク全体に不審なグループを受動的に探索する。
提案するClue-Guided Group Discovery (CGGD) では, アナリストのインタラクションを通じて, 初期手掛かりから洗浄グループを段階的に回収する。
論文 参考訳（メタデータ） (2026-06-24T13:57:22Z) - Detection of Crowdsourcing Cryptocurrency Laundering via Multi-Task Collaboration [6.593202318405946]
クラウドソーシングによる資金洗浄は、新しいタイプの資金洗浄である。
クラウドソーシングによるマネーロンダリングトランザクションは、さまざまなパターンと多中心構造を示す。
マルチタスク協調型クラウドソーシング雷検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-02T08:58:11Z) - RiskTagger: An LLM-based Agent for Automatic Annotation of Web3 Crypto Money Laundering Behaviors [65.80108147440863]
RiskTaggerは、Web3における暗号洗浄行動の自動アノテーションのための、大言語モデルベースのエージェントである。
RiskTaggerは、複雑な構造化されていないレポートからヒントを抽出し、マルチチェーントランザクションパスを推論し、監査者フレンドリな説明を生成する、という3つの重要な課題に対処することによって、人間のアノテータを置き換えたり、補完するように設計されている。
論文 参考訳（メタデータ） (2025-10-12T08:54:28Z) - MPOCryptoML: Multi-Pattern based Off-Chain Crypto Money Laundering Detection [2.2530496464901106]
本稿では,暗号通貨取引における複数のマネーロンダリングパターンを効果的に検出するMPOCryptoMLを提案する。
MPOCryptoMLは、ランダムな洗浄パターンを識別するマルチソースパーソナライズされたPageRankアルゴリズムの開発を含む。
一貫性のあるパフォーマンス向上を示し、精度が9.13%、リコールが10.16%、F1スコアが7.63%、精度が10.19%まで向上した。
論文 参考訳（メタデータ） (2025-08-18T06:06:32Z) - Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。
本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
論文 参考訳（メタデータ） (2022-01-11T21:31:18Z)
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。