Sinaliksik ng Blockchain Sleuth Elliptic ang AI at Anti-Money Laundering Gamit ang 200M Bitcoin Transactions

• Ang Elliptic2 dataset ay mga order ng magnitude na mas malaki kaysa sa ginamit noong nagsimulang gumamit ang team ng machine learning para makita ang money laundering gamit ang Bitcoin noong 2019.
• Ginamit ng pananaliksik ang 122,000 grupo ng mga konektadong node at chain ng mga transaksyon na tinatawag na "subgraphs" na may alam na mga link sa ipinagbabawal na aktibidad.

Sinabi ng Blockchain analytics firm na Elliptic na naka-detect ito ng mga potensyal na pattern ng money laundering sa Bitcoin blockchain pagkatapos magsanay ng modelo ng artificial intelligence (AI) gamit ang record na 200 milyong transaksyon.

Ang gawain ay extension ng isang programang isinagawa noong 2019 na gumamit ng dataset ng 200,000 transaksyon lang. Ang mas malaking "Elliptic2" na dataset ay gumamit ng 122,000 na may label na "subgraph," mga pangkat ng mga konektadong node at chain ng mga transaksyon na kilala na may mga link sa ipinagbabawal na aktibidad.

Ang AI ay nagiging mas insightful kapag mas malaki ang dataset na magagamit upang sanayin ang mga machine-learning algorithm, at ang mga cryptocurrencies tulad ng Bitcoin ay nag-aalok ng maraming supply ng transparent na data ng transaksyon sa blockchain. Ginamit ng Elliptic ang mga transaksyon para sa pag-aaral ng hanay ng mga "hugis" na ipinapakita ng money laundering sa Cryptocurrency at tumpak na pag-uuri ng bagong kriminal na aktibidad, Sabi ni Elliptic sa isang papel co-authored sa mga mananaliksik mula sa MIT-IBM Watson AI Lab.

"Ang mga diskarte sa money laundering na kinilala ng modelo ay natukoy dahil ang mga ito ay laganap sa Bitcoin," sabi ng co-founder ng Elliptic na si Tom Robinson sa isang email. " Ang mga kasanayan sa Crypto laundering ay magbabago sa paglipas ng panahon habang ang mga ito ay huminto sa pagiging epektibo, ngunit ang isang bentahe ng isang AI/deep learning approach ay ang mga bagong pattern ng money laundering ay awtomatikong nakikilala kapag lumitaw ang mga ito."

Marami sa mga kahina-hinalang subgraph ay natagpuang naglalaman ng tinatawag na "peeling chain," kung saan ang isang user ay nagpapadala o "nagbabalat" ng Cryptocurrency sa isang patutunguhang address, habang ang natitira ay ipinapadala sa isa pang address sa ilalim ng kontrol ng user. Paulit-ulit itong nangyayari upang makabuo ng isang pagbabalat na kadena.

"Sa tradisyunal Finance ito ay kilala bilang 'smurfing,' kung saan ang malaking halaga ng pera ay nakaayos sa maraming maliliit na transaksyon, upang KEEP ang mga ito sa ilalim ng mga limitasyon sa pag-uulat ng regulasyon at maiwasan ang pagtuklas," sabi ni Elliptic sa papel.

Ang isa pang karaniwang nagaganap na pamamaraan ay ang paggamit ng tinatawag na "nested services," mga negosyong naglilipat ng mga pondo sa pamamagitan ng mga account sa mas malalaking Cryptocurrency exchange, kung minsan ay walang kamalayan o pag-apruba ng exchange. Ang isang nested na serbisyo ay maaaring makatanggap ng deposito mula sa ONE sa kanilang mga customer sa isang Cryptocurrency address, at pagkatapos ay ipasa ang mga pondo sa kanilang deposito address sa isang exchange.

"Ang mga nested na serbisyo ay kilala na madalas na may hindi gaanong mahigpit na mga pagsusuri sa angkop na pagsusumikap ng customer kaysa sa mga palitan ng Cryptocurrency na ginagamit nila, o kung minsan ay walang ganoong mga anti-money laundering na tseke, na nagreresulta sa kanilang maling paggamit para sa Cryptocurrency laundering - na posibleng maging sanhi ng mga ito na itampok sa mga subgraph na itinuturing ng modelo bilang kahina-hinala," sabi ni Elliptic.