Deep Set Classifier for Financial Forensics: An application to detect money laundering
金融取证在金融领域有着重要的作用,可以发现和调查洗钱等金融相关犯罪的发生。然而,与其他形式的犯罪活动一样,对这类活动进行法医分析是一项复杂的工作,因为对手试图不断提高其逃避侦查的能力。此外,金融活动或交易的数量和复杂程度使金融取证工作更加复杂。机器学习或人工智能算法可用于处理这种复杂性。然而,有限的可用标记数据集的挑战,特别是与欺诈活动限制了开发有效算法的手段。此外,定义规避欺诈交易的精确搜索模式的复杂性使这一挑战进一步复杂化。在本文中,我们开发了一种新的基于Meta学习的深度集分类器算法,并将其应用于处理复杂的感兴趣模式,并使用有限标记的交易样本来检测欺诈性加密货币洗钱交易。我们采用独特的方法来训练我们的模型,逐步提供样本,测试结果超过了领先的研究算法。
2023-03-09 cs.CR
Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions
School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);School of Computing and Information Systems, Singapore Management University(新加坡管理大学计算与信息系统学院);School of Cybersecurity, Northwestern Polytechnical University(西北工业大学网络空间安全学院)
本文综述深度学习在移动交易反洗钱中的应用与挑战,并提出融合机器学习、AML危险信号和账户画像的最小权限框架,以在有限数据下实现欺诈检测。
2025-03-13 cs.AI cs.CR cs.LG
Amatriciana: Exploiting Temporal GNNs for Robust and Efficient Money Laundering Detection
Politecnico di Milano(米兰理工大学)
提出基于时序图神经网络的 Amatriciana 方法,在完整交易图上建模时间与关系信息,以更少误报实现高效洗钱检测,F1 达 0.76。
2025-05-31 cs.CR cs.LG
Tracing the Shadows: Automatic Tracking and Analysis of Crypto Money Laundering via Transaction Semantic Analysis
Xi’an Jiaotong University(西安交通大学);The Hong Kong Polytechnic University(香港理工大学)
研究针对加密货币洗钱问题,提出AMLGuard语义感知框架,结合静态规则分析与LLM推理,对复杂DeFi交易语义分析,实现非法资金流追踪,在真实案例评估中取得高精度召回率,有效应对加密货币洗钱。
2026-07-22 cs.CR
FlowShield: cryptocurrency anti-money laundering with transaction semantics parsing and fund flow tracking
Monash University(蒙纳士大学);Griffith University(格里菲斯大学);CSIRO Data61(CSIRO数据六十一)
FlowShield是一种加密货币反洗钱框架,通过解析交易语义、重构资金流子图并结合LLM与GCN实现洗钱检测,在BybitML等数据集上平均F1达98.0%,还可生成可读报告辅助调查。
2026-08-19 cs.CE cs.CR cs.CY
AMLNet: A Knowledge-Based Multi-Agent Framework to Generate and Detect Realistic Money Laundering Transactions
School of Information and Communication Technology, Griffith University, QLD Australia(信息与通信技术学院,格里菲斯大学,昆士兰州澳大利亚);School of Information and Physical Sciences, The University of Newcastle, NSW Australia(信息与物理科学学院,新castle大学,新南威尔士州澳大利亚)
针对反洗钱数据集缺乏的问题,提出知识驱动的多智能体框架AMLNet,通过感知监管的生成器构建合成交易数据集,并利用集成检测流水线实现高F1检测,同时发布数据集以推进可复现研究。
2025-09-15 cs.AI cs.CE cs.CR
Detection of Crowdsourcing Cryptocurrency Laundering via Multi-Task Collaboration
Sun yat-sen University(中山大学)
本文提出MCCLD框架,通过多任务协作检测crowdsourcing洗钱,利用图神经网络融合交易组信息提升检测性能。
2025-12-02 cs.CR
zkMixer: A Configurable Zero-Knowledge Mixer with Anti-Money Laundering Consensus Protocols
提出零知识混币器框架zkMixer,通过可配置治理条件与共识机制监控资金来源,对可疑存入实施退款或没收,兼顾隐私保护与反洗钱合规。
2025-06-15 cs.CR cs.DC
StableAML: Machine Learning for Behavioral Wallet Detection in Stablecoin Anti-Money Laundering on Ethereum
Duke University Pratt School of Engineering(杜克大学普瑞特工程学院)
StableAML通过行为特征和树集成模型提升稳定币反洗钱效率,有效区分犯罪与制裁实体足迹,满足合规要求。
2026-07-15 cs.CE cs.CR
Understanding Money Trails of Suspicious Activities in a cryptocurrency-based Blockchain
去中心化、冗余和伪匿名特性使得无权限公共区块链平台成为加密货币技术平台的吸引力。然而,这种采用使网络犯罪分子能够利用区块链平台中的漏洞,并通过社会工程瞄准用户进行恶意活动。大多数用于检测恶意行为者的最先进技术都依赖于单个钱包地址的交易行为,但不分析资金轨迹。我们提出了一种基于经验的方法,该方法添加了与资金追踪相关的新功能,以分析和发现加密货币区块链中的可疑活动。在这里,我们只关注循环行为,并识别区块链中时间交易图中存在的隐藏模式。我们在以太坊区块链的交易数据上展示了我们的方法。我们发现恶意活动(如赌博、网络钓鱼和洗钱)在以太坊中有不同的循环模式。我们还在以太坊中发现了两个可疑的基于时间循环路径的传输。我们的技术可能适用于其他加密货币区块链,并根据正在调查的加密货币的性质进行适当的修改。
2021-08-26 cs.CR cs.SI
Track and Trace: Automatically Uncovering Cross-chain Transactions in the Multi-blockchain Ecosystems
本文提出专为DeFi设计的自动化双向跨链交易追踪工具ABCTRACER,结合事件日志挖掘、命名实体识别与信息检索技术,在12个主流跨链桥上实现91.75%的F1双向可追溯性,并成功应用于真实攻击与洗钱追溯。
2025-04-02 cs.CR cs.SE
The Challenges of Investigating Cryptocurrencies and Blockchain Related Crime
我们越来越生活在一个在隐私权和同意要求与社会保护自己的权利之间取得平衡的世界里。在这个世界上,对保护金融交易中所涉及的身份的要求越来越高,但这使得执法机构的工作变得越来越困难,特别是在金融欺诈和洗钱方面。本文回顾了加密货币交易中使用的隐私方法以及执法面临的挑战方面的最新技术。
2019-07-29 cs.CR cs.CY
Ponzi Scheme Detection in EthereumTransaction Network
随着区块链的快速发展,吸引了越来越多的用户,并在不同领域刷新了许多实现。特别是在加密货币投资领域,区块链技术展现出蓬勃的生命力。然而,随着网上业务的兴起,许多欺诈活动,例如,洗钱、贿赂、网络钓鱼和其他行为成为对交易安全的主要威胁。由于以太坊的开放性,研究人员可以轻松访问以太坊交易记录和智能合约,这为以太坊诈骗检测和分析带来了前所未有的机会。庞氏骗局是一种典型的欺诈行为,给以太坊用户造成了巨大的财产损失。通过验证庞氏合约以维持以太坊的可持续发展,我们将庞氏骗局识别和检测建模为节点分类任务。本文首先收集目标合约的交易信息建立交易网络,提出一种基于图卷积网络(GCN)的庞氏合约检测模型。在不同真实以太坊数据集上的实验表明,与一般的机器学习方法相比,该模型具有很好的庞氏骗局检测效果。
2021-04-17 cs.CR
Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics
Universitat Autònoma de Barcelona(巴塞罗那自治大学);University of Bologna(博洛尼亚大学);Universidad Politécnica de Madrid(马德里理工大学)
在塑造货币互联网的过程中,区块链和分布式账本技术(DLT)在金融领域的应用引发了监管方面的担忧。值得注意的是,虽然在这一领域启用的用户匿名可以保障隐私和数据保护,但缺乏可识别性阻碍了问责制,并对打击洗钱和资助恐怖主义和扩散行为提出了挑战。随着执法机构和私营部门应用取证技术来跟踪跨生态系统的加密货币转移,本文重点关注这些技术在其部署影响该领域特征和演变的领域中日益增长的相关性。特别是,这项工作提供了上下文的见解,机器学习和交易图分析的方法的应用。也就是说,它通过各种技术分析了表示为有向图网络的比特币交易的真实数据集。将区块链交易建模为一个复杂的网络表明,使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上,这项工作表明,被称为图卷积网络(GCN)和图注意力网络(GAT)的神经网络类型是一种有前途的AML/CFT解决方案。值得注意的是,在这种情况下,GCN的表现优于其他经典方法,GAT首次被应用于检测比特币中的异常。最后,本文坚持公私协同作用的价值,以设计具有可解释性和数据开放性精神的法医战略。
2023-03-18 cs.CR cs.DC cs.LG
BlockGC: A Joint Learning Framework for Account Identity Inference on Blockchain with Graph Contrast
区块链技术具有去中心化、可追溯和防篡改的特点,创造了一种可靠的去中心化交易模式,进一步加速了区块链平台的发展。然而,随着各类金融应用的普及,区块链数字资产引发的洗钱、非法集资、钓鱼欺诈等安全问题也不断出现。因此,金融安全已经成为区块链生态系统中的一个重要问题,识别区块链中的账户类型(例如矿工、钓鱼账户、庞氏合同等)对风险评估和市场监管具有重要意义。本文从图的角度利用区块链原始数据构建账户交互图,并提出一种基于图对比的区块链账户身份推断联合学习框架。首先从交互图中获取交易特征和关联特征,然后进行采样和数据增强,生成账户子图的多个视图,最后联合训练子图对比和账户分类任务。在以太坊数据集上的大量实验表明,该方法在分类性能、可扩展性和泛化能力方面具有显著的优势。
2021-12-07 cs.CR cs.SI
Reputation-based PoS for the Restriction of Illicit Activities on Blockchain: Algorand Usecase
本文针对无许可区块链中的洗钱、赌博和勒索软件等非法活动,提出一种基于声誉的权益证明方法,并在 Algorand 共识协议中实现,通过拒绝区块提议和削弱验证者投票权来限制犯罪实体,且不增加通信资源负担。
2025-08-16 cs.CR cs.CY cs.DC
Crypto Currency Regulation and Law Enforcement Perspectives
本文概述了加密货币和区块链工程如何与执法部门互动。我们指出,很大一部分加密用户是业余投资者,加密犯罪中占主导地位和最大的部分只是投资骗局。我们研究各种犯罪使用和滥用技术的问题,特别是在洗钱或兑现来自非法活动的利润方面。本文的目的是根据对执法人员的采访,提出刑事司法和警务界的一系列担忧,并探讨加密货币如何与公共安全和安全相协调。我们提出了一个与加密货币相关的犯罪的简化分类。我们在应用密码学和支付技术的更广泛背景下研究区块链的发展。勒索软件是一个巨大的威胁,但我们也需要保护,以防止企业的不当行为或疏忽,未经测试的金融服务违反客户信任或政府法规。不纳税是非法的,但还有更多的风险:使加密货币持有者在诈骗或盗窃中失去所有储蓄。有趣的是,隐私有助于在多个方面进行防御:针对社会工程,有针对性的犯罪,诈骗,以及网络安全盗窃和黑客攻击。
2021-09-01 cs.CR cs.CY cs.DC
Towards Quantum-Ready Blockchain Fraud Detection via Ensemble Graph Neural Networks
Department of Software Engineering(ÉTS), Université du Québec(软件工程系(ÉTS)、魁北克大学);Department of Computer Science, SZABIST University(计算机科学系、SZABIST大学)
本文提出了一种集成图神经网络的框架,用于提升区块链欺诈检测的准确性与鲁棒性,并引入量子-ready设计以适应未来量子计算的发展。
2025-09-27 cs.AI cs.CR cs.DC
An Evaluation of Bitcoin Address Classification based on Transaction History Summarization
National Taiwan University(台湾大学);Academia Sinica(中央研究院)
比特币是一种加密货币,具有分布式,去中心化和可信的机制,这使得比特币成为一个受欢迎的全球交易平台。在过去的十年里,国家之间的交易效率和比特币网络地址匿名性带来的隐私吸引了许多活动,如支付,投资,赌博甚至洗钱。不幸的是,一些利用这个平台的犯罪行为没有被发现。这使得许多政府不愿支持加密货币。因此,识别犯罪地址的能力成为加密货币网络中的一个重要问题。在本文中,我们提出了新的功能,除了那些常用的文献中建立一个分类模型,用于检测异常的比特币网络地址。这些特征包括交易时间的各种高阶矩(由块高度表示),其以有效的方式总结了交易历史。提取的特征通过有监督的机器学习方法在标记类别数据集上进行训练。实验结果表明,这些特征显著提高了比特币地址分类的性能。我们在八个分类器下评估了结果,并使用LightGBM实现了87%/86%的最高Micro-F1/Macro-F1。
2019-03-19 cs.CR cs.LG stat.ML
Financial Crimes in Web3-empowered Metaverse: Taxonomy, Countermeasures, and Opportunities
目前,虚拟实境的概念已经引发了从大众到各大行业的广泛关注。随着区块链和Web3技术的快速发展,去中心化的虚拟实境生态吸引了大量用户和资本的涌入。由于缺乏行业标准和监管规则,Web3授权的虚拟实境生态系统见证了各种金融犯罪,如诈骗,代码利用,洗交易,洗钱以及非法服务和商店。为此,对Web3赋能的虚拟世界金融安全威胁进行总结和分类,以维护其生态的长期健康发展,显得尤为迫切和关键。在本文中,我们首先概述了背景,基础,和应用的Web3元。然后,我们对自去中心化元世界发展以来出现的安全风险和金融犯罪进行了全面的概述和分类。对于每一种金融犯罪,我们集中讨论三个问题:a)现有的定义,b)相关的案例和分析,c)现有的学术研究对这类犯罪。接下来,从学术研究和政府政策的角度,总结了当前虚拟实境中的反犯罪措施和技术。最后,我们讨论了行为挖掘的机遇和挑战,以及虚拟实境中金融活动的潜在监管。希望通过本文的综述,帮助读者更好地了解这一新兴生态中潜在的安全威胁,并为打击金融犯罪提供见解和参考。
2022-12-27 cs.CR