Patterns in the Wash: An Empirical Analysis of Cryptocurrency Mixers in the Money Laundering Cycle
Notice bibliographique
Résumé
The growth in cryptocurrency’s adoption has also expanded opportunities for criminal activity, particularly through cryptocurrency money laundering (CML). Cryptocurrency mixers play a central role in CML schemes by pooling and “mixing” laundered funds, thereby obscuring transaction trails and complicating anti-money laundering (AML) enforcement. Although mixers are disproportionately associated with criminal activity, current AML enforcement against mixers is largely responsive after laundering schemes have already been carried out and fails to adequately address the innovation and adaptability of mixer operators and users. Further, current research on how mixers are used by cybercriminals remains limited and primarily experimental. This study addresses this gap by analyzing 32 CML court cases, drawn from U.S. Department of Justice filings and other legal databases. By coding for variables including mixer type, jurisdiction, type of cryptocurrency used, transfer amounts, and the roles of CML actors, we identified notable patterns with CML mixer use. A small subset of mixers, including Tornado Cash and ChipMixer, facilitated a significant amount of laundering, with just five services linked to over $6 billion in tainted funds. Decentralized mixers transferred the majority of cryptocurrency, yet centralized mixers accounted for a greater proportion traced from illicit sources, reflecting criminals’ continued reliance on traditional, easy-to-use services. Bitcoin and Ether are the dominant cryptocurrencies of choice for launderers, although other altcoins play an ancillary role in CML schemes. This study classifies CML cases by distinguishing mixer overseers, personal users, and enablers, reflecting the diversity of actors involved in mixer CML schemes. Results indicate challenges in AML enforcement, particularly with addressing international regulatory gaps and the resilience of decentralized mixers. Effective responses must therefore incorporate proactive enforcement measures and improved international coordination, while simultaneously avoiding the erosion of legitimate financial privacy.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».