维度扩展：用于识别隐藏在交易网络中的洗钱活动

《IEEE Transactions on Computational Social Systems》：Dimension Expansion for Learning Money Laundering Activities Hidden in Transaction Network

区块链匿名性导致洗钱问题突出，传统交易特征分析存在识别盲区。本文创新性提出ATC（Account Enhanced Transactions Classification）模型，通过整合交易双方账户高维特征向量构建扩展特征空间，并运用聚类、特征池化和持久同调技术有效解决维度灾难问题。实验在Elliptic++数据集上验证，ATC模型以98.28%准确率、95.59%F1值显著优于基线方法。

　　

摘要：

由于区块链具有匿名性和去中心化的特性，它们逐渐成为洗钱的新温床。因此，迫切需要在区块链中实施反洗钱（AML）措施。传统的AML方法涉及分析从区块链记录中提取的交易特征，这些特征用于识别交易网络中的资金转移。然而，这种方法往往无法识别所有非法交易，因为一些非法交易在网络中由于其特征与合法交易和非法交易难以区分而难以被发现。幸运的是，所有交易至少涉及两个地址（账户），而非法交易的账户特征是可以区分的，因为它们反映了相关方的社会信息。这一发现为揭示隐藏的非法交易提供了一条途径。在本文中，我们提出了“账户增强型交易分类”（ATC）模型，以提高非法交易检测的效率。该模型通过将相关账户连接起来，扩展了交易特征向量的维度，从而生成了数量不等的高维特征向量。此外，ATC还采用了聚类、池化和持久同调等技术来应对处理这些扩展维度特征时遇到的挑战。在Elliptic++数据集上的实验结果表明，该模型的准确率为98.28%，精确率为99.64%，召回率为91.85%，F1分数为95.59%，显著优于其他比较方法。

引言

近年来，区块链技术因其在加密货币交易和投资中的应用而受到广泛关注，例如比特币[1]和莱特币[2]。然而，其匿名性和去中心化的特性也吸引了越来越多的金融犯罪活动，尤其是洗钱行为[2]。例如，每年有大约7720亿美元的非法交易涉及比特币，这一金额相当于美国和欧洲整个毒品市场的规模[3]。Chainalysis 2025年的报告显示，自2023年中期以来，通过欺诈手段发送到Huione洗钱服务的加密货币数量有所增加，并且在2024年揭露了一个涉及数十亿美元洗钱的网络[4]。这凸显了在区块链中实施反洗钱（AML）措施的紧迫性。