Mixers Detection in bitcoin network: a step towards detecting money laundering in crypto-currencies
Notice bibliographique
Résumé
Anonymity is one of major factors that is causing the rise of bitcoin crypto-currency. There are several attacks (positive or negative) to de-anonymize the bitcoin addresses, in order to link the bitcoin entity to a physical entity or person. Bitcoin mixing service (called mixer) is one of the approaches to keep the user’s crpto-anonymity in the transparent ledger of bitcoin network. Mixers breaks the link between the sender and the receiver by mixing up coins received from multiple sources, while creating a mess to make it impossible to identify the actual sender of bitcoins. On the other hand, mixing services are being vastly exploited by criminals for laundering the illegal money, taken from frauds, ransom, scams, or other illegal activities. Detecting mixing services or mixer’s involvement in a transaction can help in discovering money laundering activities in the bitcoin blockchain. Existing mixer’s detection approaches either have a low accuracy-rate due to the changing nature of the mixing process or they are not efficient enough to be implemented in a real-time environment. In this paper, we developed a highly accurate decision-tree based model using C4.5 machine learning approach to identify addresses providing mixing services. To make this detection process efficient and be able to work in a real environment, we reduced overall feature-set to only eight features, minimizing overall computation time. Further, we shrink the decision-tree using reduced error-pruning to make the detection process faster. With the short decision-tree-size of 55 nodes, we achieved the accuracy of more than 97%, which is quite higher.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».