Kriptopara ağlarında kara para aklama faaliyetlerinin tespiti

Bu çalışma, Ethereum ve Bitcoin gibi kripto para ağlarında geçmiş işlem verilerini kullanarak şüpheli cüzdanları tespit etmek için ölçeklenebilir yöntemler geliştirmeyi amaçlamaktadır. İnternete yayılmış yasa dışı cüzdanlar kullanılarak her bir cüzdan veri seti için farklı işlem ağları oluşturulur. Egonet'e bağlı ve bağımsız özellikler, yasadışı cüzdanları tahmin etmek için lojistik regresyon (LR), rastgele orman (RF) ve XGBoost (XGB) dahil olmak üzere bir dizi makine öğrenme tekniğiyle birlikte kullanılır. İlk olarak, Bitcoinfog ve Helix gibi şüpheli bitcoin mikser hizmetleri cüzdanlarını içeren iki veri setindeki şüpheli cüzdanları tespit etmek için modellerin performansını analiz ediyoruz. ROC eğrisi değerinin (AUC) altındaki alan, XGB modelleri için %99'un üzerindedir. Modellerin Helix cüzdanlarında, kesinlik, duyarlılık, f1 puanı ve AUC açısından BitcoinFog cüzdanlarından daha iyi performans gösterdiğini gözlemliyoruz. İkinci olarak, egonet bağımlı özelliklerin modellerin performanslarını önemli ölçüde iyileştirmediğini fark ettik. Bu nedenle, en iyi performans gösteren modeller yalnızca egonetten bağımsız özelliklere sahiptir. Üçüncüsü, herhangi bir mikser hizmeti kullanmayan Bitcoin veri setlerinde %99 AUC elde ediyoruz. Modellerin performansı bu üç veri setinde benzer olsa da, mikser hizmetlerini kullanan cüzdanlar (Helix, Bitcoinfog) ve diğer (Bitcoin) içeren veri setleri arasında özellik önem ölçüsü açısından baskın özellikler farklıdır. Son olarak, Bitcoin, Bitcoinfog ve Helix veri setlerinde kullandığımız aynı özellik setini kullanarak, aynı makine öğrenme modellerini Ethereum veri setinde eğitiyor ve %96 AUC elde ediyoruz. Gerçek yaşam durumlarını simüle etmek için testleri değişen derecelerde sınıf dengesizliği ile tekrarladık. Sınıf dengesizliğinin artan şiddeti ile birlikte AUC'de 0,10'a kadar bir düşüş gözlemliyoruz.