ビットコイントランザクション中に違法取引を検出するためのグラフベースの深い学習モデル

ビットコイン取引中の違法取引を特定して防止することは、民間金融市場での困難な問題です。

Cryptocurrency has become increasingly used these days. It is a digital currency, i.e. the encrypted data strings which only exist electronically. They are not decentralized; in other words, they are not issued by the government. Cryptography algorithms are used to create cryptocurrency and they are validated through mining1. If the miners are successful, they will receive cryptocurrency as a reward2,3,4. These electronic currencies are stored in a structure and it is called blockchain. Blockchain gives information with node details in a distributed environment. The information cannot be edited or ruined. Transactions occur in blocks of data, and each block has a pointer to the previous block. The arrival of Bitcoin has triggered the popularity of cryptocurrency5. However, this recurring use of cryptocurrency has captured the attention of many scammers. Cryptocurrency scams occur through many means; ransomware attack, financial crimes, Ponzi schemes, etc. However, cryptocurrency is a small network that provides anonymity to its users. Scammers take advantage of this and use this facility to camouflage themselves.

最近、暗号通貨がますます使用されています。これはデジタル通貨です。つまり、電子的にのみ存在する暗号化されたデータ文字列です。それらは分散化されていません。言い換えれば、それらは政府によって発行されていません。暗号化アルゴリズムは、暗号通貨を作成するために使用され、Mining1を通じて検証されます。鉱夫が成功した場合、彼らは報酬2,3,4として暗号通貨を受け取ります。これらの電子通貨は構造に保存されており、ブロックチェーンと呼ばれます。ブロックチェーンは、分散環境でノードの詳細を含む情報を提供します。情報を編集または台無しにすることはできません。トランザクションはデータブロックで発生し、各ブロックには前のブロックへのポインターがあります。ビットコインの到着は、暗号通貨の人気を引き起こしました5。しかし、この繰り返しの暗号通貨の使用は、多くの詐欺師の注目を集めています。暗号通貨詐欺は多くの手段で発生します。ランサムウェア攻撃、金融犯罪、ポンジースキームなど。ただし、暗号通貨は、ユーザーに匿名性を提供する小さなネットワークです。詐欺師はこれを利用して、この施設を使用して自分自身をカモフラージュします。

Bitcoin

ビットコイン

Bitcoin is one of the first cryptocurrency. It works by using blockchain and is more valuable than others. The bitcoin blockchain can be viewed as a shared ledger in which every transaction is recorded and cannot be changed. Each block has a unique hash pointer which points to the previous block. These points are the links between each block. Nodes in the network would validate the new transaction and is added to the ledger or the blockchain which is then published to the rest of the nodes. When mining is done to create new bitcoin, the miner gets the unique hash value of the new coin using algorithms. In recent days, the Bitcoin’s pseudonymity is used for illegal activities such as goods transport and banking transactions6.

ビットコインは、最初の暗号通貨の1つです。ブロックチェーンを使用することで機能し、他のものよりも価値があります。ビットコインブロックチェーンは、すべてのトランザクションが記録され、変更できない共有台帳と見なすことができます。各ブロックには、前のブロックを指す一意のハッシュポインターがあります。これらのポイントは、各ブロック間のリンクです。ネットワーク内のノードは新しいトランザクションを検証し、元帳またはブロックチェーンに追加され、その後、ノードの残りの部分に公開されます。新しいビットコインを作成するためにマイニングが行われると、マイナーはアルゴリズムを使用して新しいコインの一意のハッシュ値を取得します。最近では、ビットコインの仮名性は、商品輸送や銀行取引などの違法な活動に使用されています6。

Anti money laundering in cryptocurrency

暗号通貨でのアンチマネーロンダリング

Weaker sections of society struggle to be included in the financial process of the country. Financial inclusion basically means providing access to these groups of society to participate in the country’s financial development by providing them with financial services and products at a reasonable cost. But these marginal groups are restricted access to these systems, which is an accidental repercussion of Anti Money Laundering (AML) regulations. Unfortunately, these regulations cannot be avoided to maintain the protection of our economy. AML also results in relatively higher costs on products. AML regulations are mandatory and must be followed because many illegal transactions are identified and thus avoided.

社会の弱いセクションは、国の金融プロセスに含まれるのに苦労しています。金融包摂とは、基本的に、これらの社会グループへのアクセスを提供して、合理的なコストで金融サービスと製品を提供することにより、国の金融開発に参加することを意味します。しかし、これらの限界グループはこれらのシステムへのアクセスが制限されており、これは反洗濯洗濯（AML）規制の偶発的な影響です。残念ながら、これらの規制は、私たちの経済の保護を維持するために回避することはできません。また、AMLは製品のコストが比較的高くなります。 AML規制は必須であり、多くの違法取引が特定され、したがって回避されるため、従わなければなりません。

Literature review

文献レビュー

The financial marketing studies say that Bitcoin purchase increases in 2024. While the volume of transactions increases, fraudulent activities also increased7. Dhanya8 collected the Bitcoin data from 2013 to 2018 and proposed rollover techniques for better prediction of accuracy in the time series model. She considered the Bitcoin date from The bitcoin data from 2013 to 2018. Also recent machine learning methods overcome the time series mode. In this paper, we consider the data till 2024. The proposed security protocol for Bitcoin is one of the important aspects. Recently, Badertscher et al.9 proposed a security proof for the Bitcoin protocol. They proposed a secure protocol for global clock and hash functions. As an application and case study, Kumar et al.10 proposed a model for blockchain-based land registration. In an unpublished Arxiv paper, Weber et al.6 proposed different machine learning models to predict illicit transactions. They have found precision, recall, F1 score, and micro-average. For illicit transactions with GCN, their precision value is 0812, Recall score is 0.512 and R1 score is 0.628. Our experimental results are shown in the section 4.1, which improved their results. Chen et al.11 gave a detailed survey on different machine learning methods to detect suspicious transactions on Bitcoin11. In this paper, they have an analysis of some of the important aspects such as risk scoring, link analysis and behavioral modeling. Klaus Grobys et al.12 proposed a statistical distribution model for stolen Bitcoins. Features extractions are one of the important in the study of Bitcoin transactions. Vlahavas et al.13 used a clustering algorithm for feature extractions. Pranav Nerurka14 proposed a graph attention network (GAT2) with accuracy of to identify illegal transactions.

金融マーケティング調査では、2024年にビットコインの購入が増加していると述べています。取引の量は増加しますが、詐欺活動も増加しました7。 DHANYA8は2013年から2018年までビットコインデータを収集し、時系列モデルの精度をより良く予測するためにロールオーバー技術を提案しました。彼女は、2013年から2018年までのビットコインデータからのビットコインの日付を検討しました。また、最近の機械学習方法は時系列モードを克服しました。この論文では、2024年までデータを検討します。ビットコインの提案されたセキュリティプロトコルは、重要な側面の1つです。最近、Badertscher et al.9は、ビットコインプロトコルのセキュリティ証明を提案しました。彼らは、グローバルクロックとハッシュ機能の安全なプロトコルを提案しました。アプリケーションおよびケーススタディとして、Kumar et al.10は、ブロックチェーンベースの土地登録のモデルを提案しました。未発表のARXIVペーパーで、Weber et al.6は、違法取引を予測するためにさまざまな機械学習モデルを提案しました。彼らは、精度、リコール、F1スコア、およびマイクロ平均を発見しました。 GCNを使用した違法取引の場合、それらの精度値は0812、リコールスコアは0.512、R1スコアは0.628です。実験結果はセクション4.1に示されており、結果が改善されました。 Chen et al.11は、ビットコインの疑わしいトランザクションを検出するためのさまざまな機械学習方法に関する詳細な調査を提供しました。この論文では、リスクスコアリング、リンク分析、行動モデリングなど、いくつかの重要な側面の分析があります。 Klaus Grobys et al.12は、盗まれたビットコインの統計分布モデルを提案しました。特徴抽出は、ビットコイントランザクションの研究で重要なものの1つです。 Vlahavas et al.13は、特徴抽出にクラスタリングアルゴリズムを使用しました。 Pranav Nerurka14は、違法取引を特定するための正確さを備えたグラフ注意ネットワーク（GAT2）を提案しました。

Motivations and key contributions

動機と重要な貢献

Identifying and preventing the illegal transactions during bitcoin transactions are challenging problems in the private financial market. The actor called a “miner” (person/machine) will participate and validate all the Bitcoin transactions. The miner is considered the most important person for the creation of new cryptocurrencies and their validations. The minor’s decision is based on his mathematical model used for the transactions. Even a small error in the prediction model leads to a huge financial loss for the transacting people. For example, during the 10-year period 2011–2021, nearly 1.7 million Bitcoin units were stolen due to criminal activity, with losses exceeding 700 million12. So,

ビットコイン取引中の違法取引を特定して防止することは、民間金融市場での困難な問題です。 「マイナー」（人/マシン）と呼ばれる俳優は、すべてのビットコイントランザクションに参加して検証します。鉱山労働者は、新しい暗号通貨とその検証を作成するための最も重要な人物と見なされます。未成年の決定は、トランザクションに使用される彼の数学モデルに基づいています。予測モデルのわずかなエラーでさえ、取引する人々にとって大きな経済的損失につながります。たとえば、2011年から2021年までの10年間で、犯罪行為のために170万人近くのビットコインユニットが盗まれ、損失は7億百万を超えていました。それで、