Een forensische analyse van een grafiekdataset met transacties op de Bitcoin-blockchain heeft clusters aan het licht gebracht die verband houden met illegale activiteiten en het witwassen van geld, waaronder het detecteren van criminele opbrengsten die naar een crypto-uitwisseling worden gestuurd en voorheen onbekende portemonnees die tot een Russische darknet-markt behoren.
De bevindingen komen van Elliptic in samenwerking met onderzoekers van het MIT-IBM Watson AI Lab.
De dataset van 26 GB, genaamd Elliptisch2is een “grote grafiekdataset met 122K gelabelde subgrafieken van Bitcoin-clusters binnen een achtergrondgrafiek bestaande uit 49M knooppuntclusters en 196M edge-transacties”, aldus de co-auteurs in een artikel gedeeld met The Hacker News.
Elliptic2 bouwt voort op de Elliptic Data Set (ook bekend als Elliptic1), een transactiegrafiek die in juli 2019 openbaar werd gemaakt met als doel financiële criminaliteit te bestrijden met behulp van grafische convolutionele neurale netwerken (GCN's).
Het idee is, in een notendop, om illegale activiteiten en patronen van witwassen van geld bloot te leggen door voordeel te halen uit de pseudonimiteit van blockchain en deze te combineren met kennis over de aanwezigheid van legale (bijv. uitwisseling, portemonnee-aanbieder, mijnwerker, enz.) en illegale diensten (bijv. , darknet-markt, malware, terroristische organisaties, Ponzi-fraude, enz.) op het netwerk.
“Het gebruik van machinaal leren op subgraafniveau – dat wil zeggen, de groepen transacties die gevallen vormen van het witwassen van geld – kan effectief zijn bij het voorspellen of cryptotransacties opbrengsten van misdrijven zijn”, zegt Tom Robinson, hoofdwetenschapper en medeoprichter van Elliptic. Het hackernieuws.
“Dit is anders dan conventionele crypto-AML-oplossingen, die afhankelijk zijn van het traceren van geld uit bekende illegale portemonnees, of het matchen van patronen met bekende witwaspraktijken.”
De studie, waarin werd geëxperimenteerd met drie verschillende subgrafiekenclassificatiemethoden op Elliptic2, zoals GNN-Seg, Sub2Vec en GLASS, identificeerde subgrafieken die crypto-uitwisselingsaccounts vertegenwoordigden die mogelijk betrokken waren bij onwettige activiteiten.
Bovendien heeft het het mogelijk gemaakt om de bron van fondsen die verband houden met verdachte subgrafieken te herleiden tot verschillende entiteiten, waaronder een cryptocurrency-mixer, een in Panama gevestigd Ponzi-plan en een Russisch dark web-forum dat alleen op uitnodiging toegankelijk is.
Robinson zei dat alleen al het beschouwen van de ‘vorm’ – de lokale structuren binnen een complex netwerk – van de subgrafieken voor het witwassen van geld al een effectieve manier bleek te zijn om criminele activiteiten te signaleren.
Verder onderzoek van de voorspelde subgrafieken met behulp van het getrainde GLASS-model heeft ook bekende witwaspatronen van cryptocurrency geïdentificeerd, zoals de aanwezigheid van peeling-ketens en geneste diensten.
“Bij een peelingketen wordt een kleine hoeveelheid cryptocurrency naar een bestemmingsadres ‘gepeld’, terwijl de rest naar een ander adres wordt verzonden onder controle van de gebruiker”, legt Robinson uit. “Dit gebeurt herhaaldelijk om een ‘peeling chain’ te vormen. Het patroon kan legitieme financiële privacydoeleinden hebben, maar het kan ook wijzen op het witwassen van geld, vooral wanneer de ‘gepelde’ cryptocurrency herhaaldelijk naar een wisseldienst wordt gestuurd.”
“Dit is een bekende techniek voor het witwassen van cryptovaluta en heeft een analogie met ‘smurfen’ binnen de traditionele financiële wereld – dus het feit dat onze machine learning-modus deze onafhankelijk heeft geïdentificeerd, is bemoedigend.”
Wat de volgende stappen betreft, wordt verwacht dat het onderzoek zich zal concentreren op het vergroten van de nauwkeurigheid en precisie van deze technieken, en op het uitbreiden van het werk naar verdere blockchains, voegde Robinson eraan toe.
