比特币是非法交易的天堂吗？ MIT大规模研究结果显示：仅2%

麻省理工学院与IBM于2017年联合成立的麻省理工IBM沃森人工智能实验室（MIT-IBM Watson AI Lab）近期与区块链研究分析公司Elliptic合作，利用机器学习软件分析了203,769笔比特币节点交易对总价值约 60 亿美元的交易进行了分析，以探讨人工智能是否可以协助采取反洗钱 (AML) 措施。

根据这项研究的初步结果，发现在 20 万笔比特币交易数据中，只有约 2% 的交易被判定为非法交易。

虽然这只是 MIT 研究人员的初步研究结果，但 2% 的非法交易比例与此前另一家区块链研究公司 Chainalysis 的类似研究结果大致一致。 Chainalysis 估计，已知 2019 年 1% 的比特币交易与非法活动有关。

MIT-IBM 沃森人工智能实验室的研究负责人 Webb 也写了一篇博文称，这是迄今为止在反洗钱问题上公开发布的最大的标记交易数据集。 他将实验室的相关研究贡献总结为三点：

在比特币反洗钱实验中使用图卷积网络（Graph Convolutional Networks）进行金融取证（Financial Forensics）

动态图卷积网络的演化（EvolveGCN）

用于反洗钱的可扩展图学习

但值得注意的是，麻省理工学院的研究人员在这项研究中只能判断出 21% 的交易是合法的，而且大多数交易（约 77%）是无法分类的。 此外，自 2009 年推出比特币网络以来，迄今已累计估计有 4.4 亿笔交易。 研究人员分析了 Elliptic 收集的数据集，这些数据集以前没有公开过。

麻省理工学院研究员马克韦伯和领导这项研究的 Elliptic 联合创始人汤姆罗宾逊接受了 CoinDesk 的采访。

“总的来说，误报是合规性的一个大问题，”汤姆罗宾逊告诉 CoinDesk。 它有效。”他补充说，有时，软件可以根据来自暗网市场、勒索攻击或其他刑事调查的历史数据，挑选出难以描述但适合已知实体的模式。

韦伯（Mark Weber）表示，“在反洗钱方面，我们正在与领域专家分享我们早期实验的结果，并寻求反馈。” 他补充说，“我们也希望 Elliptic 数据集的发布能够激励其他研究人员。我们致力于开发新的反洗钱技术和模型，使我们的金融系统更加安全。”

Elliptic 是一家总部位于伦敦的区块链分析和跟踪公司，定期与监管执法机构合作，监测和检测世界各地的非法加密货币活动。 这项研究的目标是确定非法交易的常规模式，以便更容易发现比特币交易中的非法行为，尤其是在一些没有银行账户的个人或未知实体之间。

利用加密货币进行非法活动是一个由来已久的问题，但越来越多的迹象表明，比特币交易中非法活动的比例已大幅下降，这也是不可否认的事实。

据《彭博社》去年报道，美国缉毒局（DEA）特工、互联网调查工作组成员莉莉塔·因凡特指出，非法比特币交易比例高达90% % 5、6年前，现在这个比例下降到10%左右。 2014年，非法比特币交易仅约4500万美元，占总额的90%。 如今，这一比例仅为10%左右，但交易金额却高达近5亿美元。

虽然非法比特币交易的金额大幅​​增加，但前者的整体比例有所下降买卖btc违法吗，因为合法和正规的交易增长更多。 这突出表明我们应该做的是开发有效的监管技术，而不是消除所有加密货币交易。

Weber 在他的博客文章中指出，研究人员对图卷积网络 (GCN) 的潜力感到兴奋，这是一种可以捕获关系信息的新兴方法，这对于复杂犯罪网络使用的复杂分层至关重要。 （层）和混淆方案非常重要。 他还表示，“反洗钱（AML）是一个复杂的问题，我们不梦想成为拯救世界的超级英雄，但我们相信人工智能技术可以发挥强大的作用，我们作为研究人员尽最大努力来研究这项技术。”

图｜Weber 在 2018 年 NeurIPS 研讨会上的简报（来源：Youtube）

穷人是反洗钱的受害者，而不是坏人

韦伯指出，全球反洗钱合规成本高达数百亿美元，自 2004 年以来每年增长 15%。尽管如此，我们在防止洗钱这个话题上仍然做得不够好。 欧洲刑警组织估计只有 1% 的非法资金被没收。 为了理解原因，我们考虑了技术和行为方面的挑战，以及应对这一挑战的现有方法。

路透社最近对 2,373 家大型全球机构的高级管理人员进行的调查概述了这些挑战如何影响利益相关者。 大约 5% 的交易审查向上提交为可疑活动报告 (SAR)，其中只有 10% 由执法部门调查。 因此，只有 0.5% 的犯罪活动警报被采取行动。

然而，日益严格的反洗钱法规的一个意想不到的后果是，它严重限制了低收入者获得金融服务的机会，迫使穷人支付更多费用，因为银行不愿为低价值客户承担风险。一般中产阶级使用的服务，只能用更高的费用和更高的成本。

“贫穷是昂贵的，”韦伯说。 “虽然这对保护金融体系至关重要，但它对低收入家庭、移民和难民产生了不成比例的负面影响。”

但是，不能因为规则繁琐就取消反洗钱。 因为当今价值数十亿美元的非法产业，如贩毒集团、人口贩运和恐怖组织，正在世界各地造成巨大的人类苦难。 自 2006 年以来，墨西哥贩毒集团已杀害 15 万人； 每年有多达 70 万人从人口贩卖行业“输出”，估计有 4000 万人被奴役。 这些邪恶的行业依靠复杂的洗钱计划来运作。

图｜Weber 在 2018 年 NeurIPS 研讨会上的简报（来源：Youtube）

从技术上讲，反洗钱存在一系列大海捞针问题，包括实体分类和大规模、动态、高层次、高噪声信号比（high noise-to-signal ratios) ) 时间序列事务数据的设置、组合复杂性和非线性隐藏模式发现。 无论是在组织内部还是外部，数据集通常都是零散的、不正确的、不完整的和/或不一致的。

然而，从多模式数据流中合成信息很难实现自动化买卖btc违法吗，因此这项工作落在了资源有限的人工分析师身上。 但对合规性的强烈要求（例如，误报和漏报的成本不对称）会刺激过度报告，导致资源有限的政府面临第二个大海捞针问题。

图卷积网络，加密货币反洗钱的正解？

沃森实验室研究人员的发现是，最近，图卷积网络（GCN）的研究正在迅速加速，尤其是在可扩展性（scalability）方面。 使用图卷积网络，研究人员能够开始描述交易节点的特征并描绘隐藏在其中的特质和模式。 而如何在不牺牲正确性的情况下找到一种有效建立模型的方法是可扩展性的最大挑战。

图｜Weber 在 2018 NeurIPS workshop 上的简报，图卷积网络（GCN）用于反洗钱监控（来源：Youtube）

韦伯指出，我们已经看到了对欧几里德数据——音频、图像、视频——进行深度学习的非凡成就。 直到最近，图形数据还并不常见。 图数据在结构上不同； 这与数据之间的关系有关。 试想一下，社交网络（social networks）、基因表达网络（gene expression networks）、知识图谱（knowledge graphs）等等，图就在我们身边。

在金融领域，我们可以想象交易、对冲和资产管理、供应链金融和优化、借贷和证券化。 上述所有项目都使用图表来捕捉不同类型公司之间的关系和交互，通常使用时间序列组件，并且处于动态设置中。 问题在于，由于图中任何有意义的大小或密度的组合复杂性和非线性，图上的深度学习极其困难。 正是这种复杂的隐藏数据使图形数据变得如此有趣和重要。

尽管各国监管机构迄今在反洗钱、反恐等问题上投入了大量资源，但事实证明，只制止了一小部分非法活动。 根据 Weber 的说法，“这意味着我们需要的不是更多的资源；而是更有效的工具。”

本文版权归CoinDesk中文所有