تشخیص نقش پولشویی در معاملات مخلوط کردن بیت کوین: یک چارچوب مدل سازی و معدن

مینگدونگ لیو 1 ، هو چن 2 و جیاقی یان 3 *

• 1 دانشکده اقتصاد و مدیریت ، دانشگاه جنوب شرقی ، نانجینگ ، چین
• 2 دانشکده مهندسی نرم افزار ، دانشگاه فناوری چین جنوبی ، گوانگژو ، چین
• 3 دانشکده مدیریت اطلاعات ، دانشگاه نانجینگ ، نانجینگ ، چین

Cryptocurrency به یک مکان جدید برای پولشویی تبدیل شده است. خدمات مخلوط کردن بیت کوین عمداً رابطه بین فرستنده ها و گیرندگان را نادیده می گیرد و ردیابی جریان مشکوک را دشوار می کند. ما معتقدیم که کلید تغییر رنگ آمیزی خدمات مخلوط کردن بیت کوین ، کشف نقش نمایندگان در روند پولشویی است. ما یک رویکرد هدف گرا را برای مدل سازی ، کشف و تجزیه و تحلیل انواع مختلف نقش در فرآیند تجارت مبتنی بر عامل سناریوی مخلوط بیت کوین با استفاده از داده های معاملات بیت کوین ارائه می دهیم. این دیدگاه هدف نمایندگان را برای مطالعه نقش در روند پولشویی بیت کوین اتخاذ می کند. علاوه بر این ، این بنیادی را برای کشف نقش های عوامل دنیای واقعی در سناریوهای پولشویی بیت کوین فراهم می کند.

مقدمه

جرایم مالی نه تنها به طور مستقیم نظم مالی ملی را مختل می کند و بر ثبات اجتماعی تأثیر می گذارد بلکه با سایر جرایم نیز تأثیر می گذارد تا از انواع مختلف جرایم سازمان یافته حمایت مالی کند. پولشویی یک فعالیت جنایی مالی است ، که عمدتاً به پردازش درآمد غیرقانونی با وسایل مختلف برای پوشاندن و پنهان کردن منبع و طبیعت آن اشاره دارد. این نه تنها به امنیت سیستم مالی و شهرت مؤسسات مالی آسیب می رساند بلکه نظم اقتصادی و ثبات اجتماعی کشور را نیز از بین می برد. از آنجا که پولشویی چنین فعالیت مضر است ، بنابراین ، ضد پولشویی یک تلاش ارزشمند است.

پول شویی یک فعالیت پیچیده است که شامل بسیاری از نهادها و روابط است. با توسعه اینترنت، پولشویی ها از فناوری پیشرفته و کانال های متعدد برای سرپوش گذاشتن بر رفتارهای مجرمانه خود از طریق معاملات متعدد استفاده می کنند. ارزهای دیجیتال به مکان جدیدی برای پولشویی تبدیل شده است. ساده ترین شکل پولشویی بیت کوین این است که تراکنش های بیت کوین با نام مستعار انجام می شود. مجرمان از آدرس های بیت کوین مستعار برای پنهان کردن منبع غیرقانونی وجوه استفاده می کنند. با این حال، از آنجایی که مطالعات نشان داده است که نام مستعار آدرس های بیت کوین را می توان با تجمیع آدرس ها به خوشه هایی با کاربران شناسایی شده [1] شکست، خدمات اختلاط بیت کوین شخص ثالث بیشتر و بیشتر برای ارائه ناشناس بودن بیشتر پدید آمدند [2]. گزارش شده است [3] که حداقل 4836 بیت کوین به سرقت رفته توسط هک بایننس از طریق سرویس اختلاط کریپتو شسته شده است.

ظهور سرویس های اختلاط بیت کوین، ردیابی جریان پول مشکوک را دشوار می کند، زیرا آنها عمداً رابطه بین فرستنده و گیرنده را مبهم می کنند [4]. با این حال، مطالعات موجود محدودی وجود دارد که خدمات اختلاط بیت کوین را بررسی می کند. مشکلات در شناسایی نقش های مختلف آدرس های بیت کوین نهفته است زیرا تعداد زیادی آدرس بیت کوین درگیر است. یکی از اولین مطالعات [5] در مورد اختلاط سرویس ها نشان داد که آنها تعداد زیادی از تراکنش های کوچک را در تعداد کمی از تراکنش های بزرگ قرار می دهند تا همه تراکنش های خروجی را ایجاد کنند، و ارتباطات بین آدرس های ورودی و آدرس های خروجی را پنهان می کنند.

در این مقاله ، ما پیشنهاد می کنیم که کلید اصلی تغییر خدمات مخلوط کردن بیت کوین ، کشف نقش نمایندگان در روند پولشویی است. از آنجا که معمولاً پولشویی توسط لباس های پولی تبعید شده انجام می شود ، چندین عامل در این روند دخیل هستند. عوامل مختلف نقش های مختلفی دارند که وظایف مختلفی را در فرآیند اختلاط بیت کوین برای دستیابی به هدف نهایی پولشویی انجام می دهند. شناسایی نقش نمایندگان در فرآیند مخلوط کردن بیت کوین برای درک زمینه پولشویی بیت کوین مفید خواهد بود. در این مقاله ، ما یک رویکرد هدف گرا برای مدل سازی ، کشف و تجزیه و تحلیل انواع مختلف نقش ها در فرآیند تجارت مبتنی بر عامل سناریوی پولشویی با استفاده از داده های معاملات تاریخی از خدمات مخلوط کردن بیت کوین پیشنهاد می کنیم. به بهترین دانش ما ، این مقاله اولین بار است که از مدل سازی هدف گرا استفاده می کند تا نمایندگان در معاملات مخلوط کردن بیت کوین را نشان دهد. این بنیادی را برای درک نقش و وظیفه در معاملات Cryptocurrency در سناریوهای پولشویی فراهم می کند.

بقیه این مقاله به شرح زیر سازماندهی شده است. آثار مرتبط با کار مرتبط. مدل سازی هدف و استخراج در پولشویی ، مشکل را رسمی می کند و چارچوب را ارائه می دهد. مطالعه موردی یک مطالعه موردی را ارائه می دهد و الگوریتم هایی را برای استخراج هدف در فرآیندهای پولشویی ارائه می دهد. این مقاله با مشارکت و برنامه های تحقیقاتی آینده در نتیجه به پایان می رسد.

کار مرتبط

تجزیه و تحلیل معاملات cryptocurrency

معامله cryptocurrency یک واحد اساسی است که جریان cryptocurrency را از ورودی به آدرس های خروجی توصیف می کند. هر آدرس ورودی در یک معامله cryptocurrency مرجعی به خروجی معامله ناشناخته (UTXO) است که یک آدرس خروجی در یک معامله قبلی است که در سایر معاملات ارجاع نشده است. در سیستم بیت کوین ، آدرس ها هویت اساسی هستند که مقادیر مجازی را در خود جای می دهند ، که می توانند با استفاده از عملکرد هش سفارشی بیت کوین به صورت آفلاین به یک کلید عمومی تولید شوند. شکل 1 یک نمونه اساسی از UTXOS را نشان می دهد. این از سه معاملات تشکیل شده است. در معامله 1 ، آدرس A ورودی با 10 BTC و B ، C و D آدرس های خروجی هستند. تمام خروجی های معامله 1 قبل از مراجعه به معاملات 2 و 3 UTXOS هستند.

شکل 1 . مدل معامله مبتنی بر UTXO.

از آنجایی که تاریخچه کامل تراکنش به صورت عمومی در دسترس است، شفافیت تراکنش های ارزهای دیجیتال امکان تحلیل آماری و تکنیک های تجسم گرافیکی را فراهم می کند. برخی از محققان یک بررسی سازمان یافته از کارهای اصلی در تجزیه و تحلیل تراکنش ارزهای دیجیتال ارائه کردند. به عنوان مثال، چن و همکاران.[6] وضعیت، روندها و چالش ها در تجزیه و تحلیل داده های بلاک چین را بررسی کرد و هفت موضوع تحقیقاتی معمول در مورد تجزیه و تحلیل تراکنش ارزهای دیجیتال را در شناسایی نهاد، شناسایی حریم خصوصی، تجزیه ریسک شبکه، تجسم شبکه و پرتره، تجزیه و تحلیل بازار ارزهای دیجیتال و غیره خلاصه کرد. al.[7] کشف دانش در تراکنش های ارزهای دیجیتال را بررسی کرد و تحقیقات موجود را که از تکنیک های داده کاوی استفاده می کند در سه جنبه خلاصه کرد، از جمله ردیابی تراکنش و پیوند آدرس بلاک چین، تجزیه و تحلیل رفتارهای کاربر جمعی، و مطالعه رفتارهای کاربر فردی.

هر دو بررسی، مطالعات بسیاری را در مورد ردیابی تراکنش ها شناسایی کرده اند، که نشان می دهد مکانیسم نام مستعار آدرس های ارزهای دیجیتال مورد استفاده در تراکنش ها می تواند با شناسایی موجودیت (یا پیوند آدرس بلاک چین) و تکنیک های شناسایی حریم خصوصی شکسته شود. به عنوان مثال، هو و همکاران برای شناسایی پولشویی در معاملات بیت کوین.[8] چهار نوع طبقه بندی کننده را بر اساس ویژگی های نموداری که در نمودار تراکنش ظاهر می شوند، پیشنهاد کرد، از جمله همسایگان فوری، تعبیه سازی عمقی، تعبیه سازی node2vc و مبتنی بر درخت تصمیم. پس از شناسایی آدرس ها، جریان پول را می توان فوراً فاش کرد که منجر به ناشناس ماندن در سیستم بیت کوین نمی شود.

از آنجا که طراحی اصلی معاملات بیت کوین به راحتی قابل ردیابی است ، چندین راه حل برای بهبود ناشناس بودن آن پیشنهاد شده است. یک راه حل معمولی یک سرویس اختلاط است که به طور گسترده در بازارهای زیرزمینی مانند جاده ابریشم برای تسهیل پولشویی استفاده می شود. خدمات اختلاط با هدف حل مسائل مربوط به ردیابی ارزهای رمزپایه با ادغام معاملات بی ربط با روش هایی از جمله مبادله و پیوستن. فقط چند اثر قبلی برای Demystify Mixing Services انجام شده است. به عنوان مثال ، در یکی از اولین مطالعات در مورد اختلاط خدمات [5] ، یک تجزیه و تحلیل نمودار ساده بر اساس داده های جمع آوری شده از آزمایش خدمات اختلاط منتخب انجام شد ، و استراتژی های جایگزین ضد پولی جایگزین برای پاسخگویی به دانش ناقص از TRUE ترسیم شد. هویتاگرچه یک استراتژی اساسی ضد پولشویی ارائه نشده است ، Seo و همکاران.[2] خاطرنشان كرد كه پولشویی كه در بازار زیرزمینی انجام می شود با استفاده از خدمات مخلوط كردن بیت کوین قابل تشخیص است. این اکتشافات اهمیت درک خدمات مخلوط کردن بیت کوین را نشان داد.

داده کاوی در پولشویی

پولشویی یک فرایند پیچیده ، پویا و توزیع شده است که اغلب با تروریسم ، قاچاق مواد مخدر و سلاح و بهره برداری از انسانها مرتبط است. تشخیص پولشویی بسیار دشوار است و یک روش امیدوار کننده داده کاوی است [9]. روهیت و پاتل [10] با استفاده از یک چارچوب داده کاوی ، تشخیص معاملات مشکوک در شستشوی ضد پول را بررسی کردند و ادبیات را به رویکرد مبتنی بر قانون ، رویکرد مبتنی بر خوشه بندی ، رویکرد مبتنی بر طبقه بندی و رویکرد مبتنی بر مدل طبقه بندی کردند.

به طور کلی ، داده کاوی در پولشویی شامل طبقه بندی مبتنی بر قانون و رویکردهای یادگیری ماشین است. در یک رویکرد مبتنی بر قانون ، هستی شناسی یا اشکال دیگر قوانین برای طبقه بندی معاملات مشکوک اتخاذ شده است. به عنوان مثال ، راجپوت و همکاران.[11] یک سیستم متخصص مبتنی بر هستی شناسی را برای تشخیص معامله مشکوک پیشنهاد کرد. هستی شناسی شامل دانش دامنه و مجموعه ای از قوانین وب معنایی است و از پشتیبانی استدلال بومی در هستی شناسی برای استنباط دانش جدید از قوانین از پیش تعریف شده در مورد معاملات مشکوک استفاده شد. یک چارچوب هوشمند ایمن برای شستشوی ضد پولی برای استفاده از فرمالیسم هوشمند با استفاده از هستی شناسی و برنامه ریزی مبتنی بر قانون ارائه شده است [12]. رویکردهای بیزی برای تعیین امتیاز ریسک به رفتار مرتبط با پولشویی اتخاذ شد [13]. این بنا بر اساس قوانینی که توسط بانک دولتی پاکستان در آیین نامه خود در سال 2008 پیشنهاد شده است ، برای اعلام معامله به عنوان مشکوک طراحی شده است.

الگوریتم های یادگیری ماشین نیز برای گروه بندی یا طبقه بندی داده ها اعمال می شود ، تا معاملات مشکوک پولشویی را پیش بینی کند. چن و همکاران.[14] یک بررسی جامع از الگوریتم های یادگیری ماشین و روش های اعمال شده برای تشخیص معاملات مشکوک ، از جمله نوع شناسی ، تجزیه و تحلیل پیوند ، مدل سازی رفتاری ، امتیاز دهی خطر ، تشخیص ناهنجاری و توانایی جغرافیایی ارائه داد. یک سیستم طبقه بندی مبتنی بر دستگاه بردار پشتیبانی برای رسیدگی به مقادیر زیادی از داده ها و گرفتن جایگاه سیستم های داده شده از تنظیمات مشکوک از پیش تعریف شده از پیش تعریف شده سنتی ساخته شده است [15]. با این حال ، محدودیت رویکرد یادگیری ماشین در وابستگی به داده های آن نهفته است ، با سازگاری و مقیاس پذیری گاهی اوقات محدود. همانطور که در [6] گفته شد ، الزام مدل داده های تاریخی ، شناسایی عملیات غیرقانونی انجام شده توسط تازه واردان را دشوار می کند.

مدل سازی هدف و استخراج پولشویی

در این بخش ، ما پیشنهاد می کنیم نقش های نمایندگان را در فرآیند پولشویی با تکنیک های مدل سازی هدف گرا مدل کنیم. ما رویکرد مدل سازی و استخراج معادن را اتخاذ می کنیم [16] و فرض می کنیم که عوامل مختلف نقش های مختلفی دارند که برای دستیابی به هدف نهایی پولشویی وظایف مختلفی را در این فرآیند انجام می دهند. همانطور که در شکل 2 نشان داده شده است ، چارچوب مدل سازی و معدن از سه مرحله تشکیل شده است. در مرحله جمع آوری داده ها ، ما نه تنها داده های معامله cryptocurrency بلکه داده های دامنه را در مورد اطلاعات موجودیت آدرس جمع آوری خواهیم کرد. مرحله کشف مدل شامل آدرس معدن ، معدنکار نقش و معدنکار فرآیند است. معدنکار آدرس کلیه اطلاعات مربوط به آدرس را جمع آوری می کند. نقش معدنچی اهداف نماینده ای را که صاحب آدرس است ، تشخیص می دهد. روند کار معدن روند پولشویی را ارائه می دهد.

شکل 2 . چارچوب مدل سازی و معدن.

در مرحله تجزیه و تحلیل blockchain ، ما ابتدا هدف پولشویی را تجزیه و تحلیل می کنیم ، که می تواند به سه زیر هدف ، یعنی قرار دادن ، لایه بندی و ادغام تجزیه شود. هدف قرار دادن قطع ارتباط بین صندوق های غیرقانونی و جنایات بالادست پولشویی است. این امر می تواند با وظیفه معرفی وجوه غیرقانونی به سیستم مالی تحقق یابد. این کار را می توان در زیر وظایف مانند واریز پول یا پول نقد تجزیه کرد. قرار دادن همیشه شامل تجزیه مقدار زیادی از بودجه اصلی در بسیاری از پول های کوچک است. بنابراین ، بسیاری از سربازان برای انجام وظایف برای معرفی چندین صندوق غیرقانونی به سیستم مالی بدون سوء ظن استفاده می شوند.

لایه بندی در حال انتقال وجوه در بین حسابها یا موسسات مختلف است تا ردیابی منبع اولیه وجوه دشوار باشد. لایه بندی را می توان با وظیفه مبهم کردن منابع پول تحقق بخشید. این را می توان به کارهای فرعی مانند انتقال پول یا خرید بیمه از موسسات مختلف تجزیه کرد. لایه بندی به این معنی است که وجوه برای گردش به سیستم مالی وارد شده است. سربازان ممکن است کارهای اساسی زیادی را انجام دهند ، در حالی که نقش اصلی ارتباطات انتقال وجوه است.

ادغام به معنای ادغام وجوه در اقتصاد قانونی است. ادغام را می توان با وظیفه قانونی کردن صندوق های غیرقانونی تحقق بخشید. این کار را می توان به کارهای فرعی مانند انتقال پول یا خرید بیمه از موسسات مختلف ، انتقال به خارج از کشور ، برداشت پول نقد یا سرمایه گذاری تجزیه کرد. سرانجام ، وجوه قانونی توسط سازمان دهندگان پولشویی در اختیار خواهد بود. ارتباطات و سازمان دهندگان برای انجام کار با هم همکاری خواهند کرد.

در فرآیند پولشویی ، سه نقش به شرح زیر است:

1) سازمان دهنده: سازمان دهندگان هسته اصلی سازمان هستند. همانطور که در شکل 3 توضیح داده شده است ، هدف سازمان دهنده سازماندهی پولشویی است که می تواند برای تخصیص منابع و سازماندهی مسیرها تجزیه شود. هدف تخصیص منابع را می توان به تخصیص بودجه و تخصیص مردم تجزیه کرد ، که می تواند با انجام وظایف اختصاص وجوه به نمایندگان تحقق یابد. هدف سازماندهی مسیرها را می توان با وظیفه اختصاص وجوه به مأمورین تحقق بخشید. هدف سازماندهی مسیرها را می توان در برقراری ارتباط با مشتریان و برنامه ریزی پیوندها تجزیه کرد.

شکل 3. مدل سازی هدف سازمان دهنده.

سازمان دهندگان فرآیند پولشویی را با همکاری با ارتباطات و سربازان سازماندهی می کنند. به ویژه ، همانطور که در شکل 4 نشان داده شده است ، سازمان دهنده به ارتباطات برای برقراری ارتباط با مشتریان و در عین حال بسته به سربازان برای اختصاص بودجه به نمایندگان بستگی دارد. ارتباطات وظایف را از سازمان دهنده اجرا می کنند و سربازان را برای معرفی دارایی های غیرقانونی به سیستم مالی استخدام می کنند.

2) ارتباط دهنده: ارتباطات در سطح متوسط سازمان قرار دارند. هدف ارتباطات انتقال اطلاعات در فعالیت پولشویی است. هدف از انتقال اطلاعات می تواند با وظیفه ارتباط با مشتریان تحقق یابد ، که می تواند به ورودی ها و خروجی های مشتریان تجزیه شود.

3) سرباز: هدف سرباز این است که به عنوان مأمور تراشه تبدیل شود. در شکل 5 ، سربازان برای مقابله با برخی از کارهای اساسی توسط سازمان دهنده به کار می روند. آنها به سازمان اصلی ارتباطی ندارند ، در حالی که آنها کلید تسهیل جریان وجوه غیرقانونی به سیستم مالی هستند. هدف نمایندگان دارای تراشه ها می تواند با انجام کار صندوق های تقسیم و اختصاص تراشه ها تحقق یابد.

شکل 4رابطه بین نقش ها.

شکل 50. 031 BTC در یک سرویس مخلوط کردن بیت کوین به پنج تراشه تقسیم می شود.

مطالعه موردی

در این بخش ، ما یک مطالعه موردی را برای نشان دادن چارچوب پیشنهادی ارائه می دهیم. ما یک سرویس اختلاط محبوب را بررسی کردیم. در این سرویس مخلوط کردن بیت کوین ، کوچکترین واحد سپرده 0. 001 BTC است. همانطور که در شکل 5 نشان داده شده است ، سپرده به تراشه های مختلف تقسیم می شود ، که 2 K × 0. 001 BTC هستند. کاربران می توانند این تراشه ها را به یک یا چند آدرس خروج متفاوت ارسال کنند ، همانطور که در شکل 5 نشان داده شده است. در آزمایش ما ، ما هر پنج تراشه 0. 031 BTC را به یک آدرس برداشت ارسال کردیم.

ما معاملات برداشت را از طریق وب سایت BTC.com ردیابی کردیم. در شکل 6 ، جعبه آدرس را نشان می دهد و جعبه بیضی نشان دهنده معامله است (متن زمان معامله است). مقدار موجود در خط بین آدرس و معامله نشان دهنده مقدار بیت کوین است که آدرس وارد شده یا خروجی در این معامله است. آدرس به رنگ سبز آدرس صادرات ما است. ما متوجه شدیم که پنج آدرس خروج در شبکه پولشویی وجود دارد که با بخش تراشه سازگار است. به نظر می رسد این پنج آدرس با پنج استخر آدرس با مقادیر مختلف مطابقت دارد. ما سه آدرس دیگر را در استخر آدرس با مقدار بیت کوین 0. 002 انتخاب کردیم و دریافتیم که این معاملات نیز برای تولید خروجی از استخرهای آدرس مختلف ترکیب شده اند.

شکل 6. معاملات برداشت

معاملات سپرده در شکل 7 نشان داده شده است. در شکل ، بنفش آدرس منبع آزمایش را نشان می دهد و زر د-سبز آدرس ورود است که توسط سرویس اختلاط بیت کوین ارائه شده است. مشاهده می شود که آدرس ورود پولشویی در این آزمایش به طور مستقیم برای تولید استخر آدرس 0. 008 BTC استفاده می شود.

شکل 7معاملات سپرده

همانطور که در شکل 8 نشان داده شده است ، می فهمیم که سه دسته آدرس وجود دارد: آدرس های ورود (ارتباط دهنده) ، آدرس های خروج (ارتباطات) و آدرس های هسته (سرباز). هنگامی که یک درخواست شستشو صادر می شود ، یک آدرس ورودی برای دریافت بیت کوین از یک کاربر ایجاد می کند. پس از مدتی ، برخی از آدرس های ورودی و آدرس های هسته به عنوان ورودی های یک معامله مخلوط برای تولید برخی از آدرس های خروجی ترکیب می شوند. یکی از ویژگی های مهم آدرس های خروجی این است که مقدار آنها 2 K × 0. 001 BTC است. هنگامی که تصمیم می گیرد y 0. 001 BTC را به یک آدرس خروجی شستشو ارسال کند ، برخی از آدرس های خروجی مطابق Y انتخاب می شوند. به عنوان مثال ، اگر y = 0. 031 = (16 + 8 + 4 + 2 + 1) × 0. 001 BTC ، سپس پنج آدرسنگه داشتن 0. 016 ، 0. 008 ، 0. 004 ، 0. 002 و 0. 001 BTC از استخرهای آن انتخاب شده است. این آدرس های خروجی به عنوان ورودی برای معامله برداشت برای ارسال به آدرس خروجی مشخص شده توسط کاربر رفتار می شوند.

شکل 8 . وظایف مختلف در سرویس مخلوط کردن بیت کوین.

تعاریفی برای شناسایی معاملات مخلوط

جایی که ج_منمن و ج_jO (1 ≤ i ≤ m ، 1 ≤ j ≤ n) مقدار آدرس ورودی a است_منمن و آدرس خروجی a_jo ، به ترتیببدیهی است ، ∑ i = 1 m c i i ≥ ∑ j = 1 n c i o. و هزینه t ∑ i = 1 m c i i - ∑ j = 1 n c i o است.

در واقع ، ما دو نوع معاملات اختلاط را برای تولید آدرس های خروجی پیدا می کنیم ، که به شرح زیر تعریف شده است:

[تعریف 1] معامله T با خروجی های n در صورت C ، معامله نوع I است._j O = 2 k ×0.001 BTC (1 ≤ j ≤ n ) and n>1.

معاملات برداشت بر اساس آدرس های خروجی است که به شرح زیر شرح داده شده است:

[تعریف 3] معامله T با ورودی های M و یک خروجی یک معامله برداشت است ، اگر

ما الگوریتم 1 را برای یافتن معاملات اختلاط طراحی می کنیم. در الگوریتم سه مرحله وجود دارد. مرحله اول (مرحله 1) یافتن کلیه معاملات نوع I یا II t است₁واددر مرحله 2 (مراحل 2-10) ، ما سعی می کنیم معاملات برداشت را پیدا کنیم₂بر اساس t₁واددر مرحله آخر ، معاملات در t₁مطابق T به عنوان مخلوط ها انتخاب می شوند₂.

آدرس های هسته در معاملات مختلف مخلوط به عنوان ورودی ظاهر می شوند. ما برای یافتن آنها از الگوریتم 2 استفاده می کنیم.

در معاملات BTC 2020 ، 4،689 معاملات نوع I و 3،124 معاملات نوع II را پیدا می کنیم. با الگوریتم 1 ، ما تعیین می کنیم که 2،687 معاملات با 47433 معاملات برداشت مرتبط را در هم می آمیزند. تعداد معاملات اختلاط در هر ماه 2020 در شکل 9. با الگوریتم 2 نشان داده شده است ، ما 2،451 آدرس هسته را می یابیم ، که از این تعداد 2،143 (87 ٪) در یک کیف پول [0005190B7A] طبق WalletExplorer.com قرار دارند. این ثابت می کند که این آدرس هایی که ما کشف کردیم متعلق به سازمانی است که قبلاً فاش نشده است و می تواند توسط ارائه دهنده خدمات اختلاط کنترل شود. ما معاملات پولشویی را پیگیری کردیم و ساختار معامله را کشف کردیم. از معاملات تاریخی بیت کوین ، تعداد زیادی از معاملات مخلوط کردن با ویژگی های قابل توجه و آدرس های هسته مربوط به سرویس اختلاط بیت کوین را پیدا کردیم. ما می توانیم مقیاس پولشویی را بر اساس چنین تجزیه و تحلیل نقش تخمین بزنیم.

شکل 9تعداد معاملات مخلوط در هر ماه 2020.

نتیجه

در این مقاله ، ما پیشنهاد می کنیم که کلید تغییر رنگ آمیزی خدمات مخلوط کردن بیت کوین ، کشف نقش نمایندگان در فرآیند پولشویی و ارائه یک چارچوب مدل سازی هدفمند برای الگوبرداری از نقش های مختلف در فرآیند پولشویی است. این چارچوب شامل جمع آوری داده ها ، کشف مدل و تجزیه و تحلیل blockchain است. با این چارچوب ، سه نقش سازمان دهنده ، سرباز و ارتباط دهنده در فرآیند پولشویی قرار دادن ، لایه بندی و ادغام مورد تجزیه و تحلیل قرار می گیرد.

سپس ما از چارچوب پیشنهادی برای بررسی یک سرویس محبوب مخلوط بیت کوین استفاده می کنیم. به طور خاص ، ما دو نوع معاملات مخلوط را برای تولید آدرس های خروجی شناسایی می کنیم. ما دو الگوریتم را برای تجزیه و تحلیل نقش سرباز و ارتباط دهنده در فرآیند پولشویی پیشنهاد می کنیم. با نقش های مشخص شده ، می توانیم مقیاس پولشویی را در سرویس مخلوط کردن بیت کوین تخمین بزنیم.

صورت در دسترس بودن داده ها

داده های خام که از نتیجه گیری این مقاله پشتیبانی می کنند ، بدون رزرو غیرقانونی توسط نویسنده در دسترس خواهد بود.

کمک های نویسنده

ML: نرم افزار ، تحقیق ، اجرای مورد ، اعتبار سنجی ، روش شناسی ، مفهوم سازی. HC: اعتبار سنجی ، نرم افزار ، درمان داده ها ، اجرای مورد ، تجزیه و تحلیل رسمی ، JY: مفهوم سازی ، ویرایش ، تجسم ، بررسی ، نظارت.

تضاد منافع

نویسندگان اعلام می کنند که این تحقیق در غیاب هرگونه روابط تجاری یا مالی که می تواند به عنوان یک تضاد احتمالی منافع تفسیر شود ، انجام شده است.

منابع

1. Reid F ، Harigan M. تجزیه و تحلیل ناشناس بودن در سیستم بیت کوین. 2011 IEEE سومین کنفرانس بین المللی در مورد حریم خصوصی ، امنیت ، ریسک و اعتماد و IEEE سومین کنفرانس بین المللی محاسبات اجتماعی (2011). پ. 1318 26. doi: 10. 1109/passat/socialcom. 2011. 79 تجزیه و تحلیل ناشناس بودن در سیستم بیت کوین.

2. Seo J ، Park M ، Oh H ، Le K. "پولشویی در شبکه بیت کوین: چشم انداز خدمات مخلوط کردن" ، در کنفرانس بین المللی بین المللی همگرایی فناوری اطلاعات و ارتباطات (ICTC) (2018) 1403-1405. موجود در: https://www. researchgate.net/publication/329491846_money_laundering_in_the_bitcoin_network_perspective_of_mixing_service. doi: 10. 1109/ictc. 2018. 8539548

3. Maria O. Chipmixer برای شستشوی BTC از هک Binance اخیر استفاده می شد. CryptocurrencyNews (2019). موجود در: https://cryptocurrencynews.com/chipmixer-binance-hack-btc-laundering/ (دسترسی به 30 مه 2021).

4. Wu L ، Hu Y ، Zhou Y ، Wang H ، Luo X ، Wang Z ، et al. به سمت درک و تغییر شکل خدمات مخلوط کردن بیت کوین (2020).

5. Möser M ، Böhme R ، Breuker D. تحقیق در مورد ابزارهای پولشویی در اکوسیستم بیت کوین. 2013 اجلاس محققان APWG ECRIME (2013) 1-14. doi: 10. 1109/ecrs. 2013. 6805780

6. Chen Z ، Van Khoa LD ، Teoh EN ، Nazir A ، Karuppiah EK ، Lam KS. تکنیک های یادگیری ماشین برای راه حل های ضد پولشویی (AML) در تشخیص معامله مشکوک: بررسی. Knowl Inf Syst (2018) 57: 245 285. doi: 10. 1007/S10115-017-1144-Z

7. Liu XF ، Jiang X-J ، Liu S-H ، Tse CK. کشف دانش در معاملات cryptocurrency: یک نظرسنجی. دسترسی IEEE (2021) 9: 37229-37254. doi: 10. 1109/دسترسی . 2021. 3062652

8. Hu Y ، Seneviratne S ، Thilakarathna K ، Fukuda K ، Seneviratne A. توصیف و تشخیص فعالیت های پولشویی در شبکه بیت کوین (2019). Arxiv: 1912. 12060 [CS]. موجود در: http://arxiv.org/abs/1912. 12060 (دسترسی به 30 مه 2021).

9. Watkins RC ، Reynolds KM ، Demara R ، Georgiopoulos M ، Gonzalez A ، Eaglin R. ردیابی درآمد کثیف: کاوش در فن آوری های داده کاوی به عنوان ابزاری برای بررسی پولشویی. Police Pract Res (2003) 4 (2): 163-78. doi: 10. 1080/15614260308020

10. Rohit KD ، Patel DB. بررسی در مورد تشخیص معامله مشکوک در شستشوی ضد پول با استفاده از چارچوب داده کاوی. Int J Innovative Res Sci Technol (2015) 1 (8): 129-133.

11. Rajput Q ، Khan NS ، Larik A ، Haider S. سیستم متخصص مبتنی بر هستی شناسی برای تشخیص معاملات مشکوک.comp inf Sci (2014) 7 (1): 103 114. doi: 10. 5539/cis. v7n1p103

12. sobh ts. یک چارچوب هوشمند و امن برای شستشوی ضد پول. J Appl Security Res (2020) 15 (4): 517-46. doi: 10. 1080/19361610. 2020. 1812994

13. Khan NS ، Larik AS ، Rajput Q ، Haider S. یک رویکرد بیزی برای گزارش فعالیت مالی مشکوک. Int J Comput Appl (2015) 35 (4): 181-7.

14. Chen W ، Zheng Z ، Fronzetti Colladon A ، Remondi E. تجزیه و تحلیل داده های blockchain: بررسی وضعیت ، روندها و چالش های استفاده از تجزیه و تحلیل شبکه های اجتماعی برای جلوگیری از پولشویی. J Comp Res Development Expert Syst Appl (2017) 5567 (9): 185349-7058. doi: 10. 1016/j. eswa. 2016. 09. 029

15. Tang J ، Yin J. ایجاد یک سیستم تبعیض آمیز داده های هوشمندانه از شستشوی ضد پول بر اساس SVM. مجموعه مقالات یادگیری ماشین و سایبرنتیک کنفرانس بین المللی 2005 در مورد (2005).

16. یان جی ، هو دی ، لیائو S ، اهداف نمایندگان معدن وانگ H. در فرآیندهای تجاری عامل محور. ACM Trans Manag Inf Syst (2015) 5 (4): 20-120. 22. doi: 10. 1145/2629448

واژه های کلیدی: مدل سازی هدف ، پولشویی ، معاملات مخلوط کردن بیت کوین ، تجزیه و تحلیل داده ها ، نقش نمایندگان

استناد: لیو M ، چن H و یان J (2021) تشخیص نقش پولشویی در معاملات مخلوط کردن بیت کوین: یک چارچوب مدل سازی و معدن. جلو. فیزیک9: 665399. doi: 10. 3389/fphy. 2021. 665399

دریافت: 08 فوریه 2021 ؛پذیرفته شده: 07 مه 2021 ؛منتشر شده: 06 ژوئیه 2021.

فن شیائو لیو ، دانشگاه سیتی هنگ کنگ ، سار چین

دانینگ هو ، دانشگاه علوم و فناوری جنوبی ، چین هنگ لیانگ سان ، دانشگاه دارایی و اقتصاد نانجینگ ، چین

کپی رایت © 2021 لیو ، چن و یان. این یک مقاله با دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons (CC توسط) توزیع شده است. استفاده ، توزیع یا تولید مثل در سایر انجمن ها مجاز است ، مشروط بر اینکه نویسنده اصلی (ها) و مالک (های) حق چاپ (دارایی) اعتبار داشته باشند و با توجه به عمل دانشگاهی پذیرفته شده ، انتشار اصلی در این ژورنال ذکر شده است. بدون استفاده ، توزیع یا تولید مثل مجاز نیست که این شرایط را رعایت نمی کند.