Mixers Detection in bitcoin network: a step towards detecting money laundering in crypto-currencies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle