KDDSep, 2023

从资产流动到状态、行动和意图发现：加密货币中的早期恶意检测

PDF
TL;DR提议了一种用于比特币（BTC）的早期恶意检测的意图监控模型，通过基于决策树的特征选择和补充为不同恶意类型构建不同的特征集，使用状态 / 行为建议模块和意图变分自动编码器模块生成相关特征，进而提高模型的可解释性和检测效果。实验证明该算法优于现有方法，并且能够发现新的可疑行为。
cryptocurrencyillicit activitiesearly detectioninterpretabilitymalice detection
发现论文，激发创造
  • 比特币早期恶意检测的意图发现

    该论文提出了一种新的基于实时预测的检测模型，可用于监测比特币交易中的各种非法活动，具有强解释性和高效性。

    Sep, 2022

  • Evolve Path Tracer: 加密货币中恶意地址的早期检测

    本文提出了 Evolve Path Tracer 来检测虚拟货币中的欺诈行为和恶意地址，通过引入资产转移路径和对应路径图来描述交易模式。与现有技术相比，本文提出的解决方案可以满足早期恶意地址检测的需求，并在三个真实数据集上取得了优异表现。

    Jan, 2023

  • 加密货币交易网络中用于非法账号检测的高效多图神经网络

    我们研究了在线金融市场中越来越重要的加密货币交易网络上的非法账户检测。我们提出了 DIAM，这是一个新颖的多图神经网络模型，旨在有效地检测大型交易网络上的非法账户。通过将边属性和有向边序列依赖考虑在内，DIAM 自动学习了有效的节点表示，并利用多图拓扑结构采用了新的多图差异（MGD）模块，通过设计良好的消息传递机制捕捉正常和非法节点之间的差异特征，从而在大量实验证明 DIAM 在准确检测非法账户方面始终表现最佳，同时具有高效性。

    Sep, 2023

  • 利用 XAI 增强非法活动检测：多模态图 - LLM 框架

    我们提出了一种新颖的多模态主动方法来解决金融网络犯罪检测中的可解释性问题。我们利用深度学习模型从交易顺序、子图连接和叙述生成中提取关键表示，显著简化分析师的调查过程，并利用 LLM 生成传真来帮助分析师进一步理解交易和其元数据。

    Oct, 2023

  • 比特币网络中欺诈交易和非法节点揭秘 —— 金融取证

    该论文提出了一种基于应用数据科学方法的欺诈检测综合方法来检测比特币网络中的欺诈行为，通过对四类图数据 (即交易至交易图、地址至地址交互图、地址交易图和用户实体图) 进行机器学习算法的操作不仅有效检测非法交易和非法地址的欺诈行为、而且也帮助了解加密货币交易中洗钱漏洞的根源和欺诈检测和预防策略。

    May, 2023

  • 比特币反洗钱：基于图卷积网络的金融取证实验

    本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色，以及加密货币所引入的假名化和开放数据等新问题，同时提出使用分类算法和图方法来预测和控制非法交易，并分享了一个被标记的比特币交易数据集以供进一步研究。

    Jul, 2019

  • 亿级交易中无拓扑关联的时间性洗钱流的检测

    该研究提出了一个适用于领域特定约束条件的框架（称为 FaSTMAN），以有效地构建顺序交易的时间图。该框架使用二阶图表示的加权方法来量化边的重要性，使我们能够在更小而密集的网络流中分配复杂查询。最后，基于这些查询，我们可以有效地识别可疑流动的网络。在对来自多个大型欧洲银行的超过 10 亿个交易数据集进行了广泛评估后，结果表明我们的框架在效率和实用性上具有明显的优势。

    Sep, 2023

  • 利用机器学习进行多链去中心化金融欺诈检测

    本文提出了一种从不同的链中提取特征的有效方法，并运用 XGBoost 和神经网络等机器学习方法用于识别欺诈账户，明确指出引入 DeFi 相关特征后，结果显著提高。

    May, 2023

  • 跨多种深度学习范式的强大后门数据检测

    研究表明，大多数现有的后门检测方法在不同的攻击和毒害比率上的性能存在显著差异，并且在最先进的干净标签攻击下都失败了。提出了一种新的检测方法 ASSET，它在端到端 SL 设置中优于现有方法，并提供了第一款针对 SSL 和 TL 的实用后门防御。

    Feb, 2023

  • 反洗钱模型的逼真合成金融交易

    这篇论文介绍了一个合成财务交易数据集生成器和一组合成的反洗钱数据集，该生成器已被校准以尽可能接近真实交易，并公开了数据集，可以用于比较不同的图神经网络在 AML 方面的能力。

    Jun, 2023