Cryptocurrencies Forensics With Real-Time intelligence and Graph Database: a Comprehensive Review
Notice bibliographique
Résumé
The advent of cryptocurrencies has paved the way for an alternative financial system based on blockchain technology. The properties of this technology allow untrustworthy entities to exchange transactions with each other, confidentially, transparently and anonymously. This latter property combined to the solutions for mixing cryptocurrency transactions has contributed significantly to strengthening the anonymization of cryptocurrencies. Consequently, they have facilitated illegal activities. Nowadays, the majority of financial crimes are carried out using cryptocurrencies. To mitigate this problem, cryptocurrencies forensics techniques have been suggested with the aim of reducing illicit financial activities. However, most of these existing approaches do not support real-time processing, do not offer architecture for Big Data processing. Moreover, these methods do not provide an optimized data storage system based on a graph database. This paper performs a comprehensive investigation into cryptocurrencies forensics techniques including real-time big data processing and graph database storage. It explores and classifies existing cryptocurrencies forensics techniques to effectively support decision making for their implementation. Furthermore, it reviews recent research effort to enforce graph data storage system, big data and real-time processing while executing cryptocurrencies forensics. Through this paper, we aim to clear up the outlook by suggesting an outline of the different method, tools and application when raising the basic differences and presenting associated advantages and limitations. More importantly, we underline current challenges and future research directions to stimulate research in cryptocurrencies forensics with real-time and big data processing using graph data storage.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».