比特币是非法交易的避风港吗？一项大规模 MIT 研究的结果表明，只有 2%

MIT-IBM Watson AI Lab 由 MIT 和 IBM 于 2017 年建立，最近与区块链研究和分析公司 Elliptic 合作，使用机器学习软件对 203,769 笔总价值约 60 亿美元的比特币节点交易进行了分析，以探索人工智能是否可以协助反洗钱 (AML) 措施。

根据这项研究的初步结果，发现在 200,000 笔比特币交易中，只有约 2% 被发现是非法的。

虽然这只是麻省理工学院研究人员的初步研究，但 2% 的非法交易比率与另一家区块链研究公司 Chainalysis 之前的类似研究结果大致相符。 Chainalysis 估计，2019 年有 1% 的比特币交易与非法活动有关。

在 MIT-IBM 沃森人工智能实验室领导这项研究的韦伯也写了一篇博文，称这是迄今为止反洗钱问题中最大的公开可用标记交易数据集。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进行金融取证（Financial Forensics）

动态图卷积网络的演进 (EvolveGCN)

反洗钱可扩展图学习（Graph Learning）

但值得注意的是，麻省理工学院的研究人员只能将本研究中 21% 的交易判定为合法，而大多数交易（大约 77%）被归类为不可分类。此外，自 2009 年比特币网络推出以来，迄今为止，估计已累积了 4.4 亿笔交易。研究人员分析了 Elliptic 收集的数据集，这些数据集以前从未公开过。

研究负责人、麻省理工学院研究员 Mark Weber 和 Elliptic 联合创始人 Tom Robinson 都接受了 CoinDesk。

“一般来说，误报是合规性的一个大问题，”Tom Robinson 告诉 CoinDesk。它在发现非法交易方面非常有效。”他补充说，有时，软件可以发现难以描述的模式，但可以与某些基于暗网的市场、勒索软件攻击或其他刑事调查等保持一致。历史数据中的已知实体.

Mark Weber 说：“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 The Elliptic 数据集能够激励其他人加入并致力于开发用于反洗钱的新技术和新模型，以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公司分析和跟踪公司，通常与监管执法机构合作，监控和检测世界各地的非法加密货币活动。这项研究的目标是找到非法交易的规律模式，以便更容易发现比特币交易中的非法行为，尤其是在没有银行账户的个人或未知实体之间。

将加密货币交易用于非法活动是一个长期存在的问题，但越来越多的迹象表明，如今比特币交易中的非法活动比例已大幅下降，这是不可否认的事实。

据彭博社去年的报道，美国缉毒署（DEA）特工、网络调查工作组成员 Lilita Infante 指出，5、6 年前，比特币被非法交易的比例高达90%左右，但现在已经下降到10%左右。 2014年，比特币的非法交易额仅为4500万美元左右，占总量的90%。如今，占比仅为10%左右，但交易金额却高达近5亿美元。

尽管非法比特币交易的数量大幅增加，但由于合法和正规交易的增长更多，前者的整体比例有所下降。这凸显了我们应该做的是开发有效的监管技术，而不是消除所有的加密货币交易。

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，它对犯罪网络使用的复杂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，我们作为研究人员会尽力而为. 研究这项技术。”

照片｜Webb 在 2018 NeurIPS Symposium 上的演讲（来源：Youtube）

穷人成为反洗钱受害者，而不是坏人

Weber 指出，全球反洗钱合规成本高达数百亿美元，自 2004 年以来以每年 15% 的速度增长。然而，我们在防止洗钱问题上仍然无效。欧洲刑警组织估计，只有 1% 的非法资金被没收。为了解原因，我们考虑了技术和行为挑战，以及解决这一难题的现有方法。

路透社最近对 2,373 家大型全球组织的高级管理人员进行的一项调查概述了这些挑战如何影响利益相关者。大约 5% 的交易审查作为可疑活动报告 (SAR) 提交，其中只有 10% 由执法部门进行调查。因此，只有 0.5% 的犯罪活动警报得到处理。

然而，日益严格的反洗钱法规的一个意想不到的后果是，它们严重限制了低收入者获得金融服务的机会，因为银行不愿为低价值客户承担风险。穷人需要支付更多的费用和更高的成本来使用普通中产阶级使用的基本金融服务。

“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，AML 不能仅仅因为规则繁琐而被废除。因为当今世界各地价值数十亿美元的非法产业，如贩毒集团、人口贩卖和恐怖组织网上比特币交易违法吗，正在给全世界人类造成巨大的痛苦。自 2006 年以来，墨西哥贩毒集团已造成 15 万人死亡；每年有多达 700,000 人从人口贩运行业“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｜韦伯在2018 NeurIPS Symposium上的演讲（来源：Youtube）

从技术上讲，在反洗钱方面存在一系列大海捞针的问题，涉及到由高层设置的大规模、动态、高层次、时间序列的交易数据的实体分类。噪声信号比，组合 发现复杂性和非线性的隐藏模式。数据集通常是零散的、不正确的、不完整的和/或不一致的，无论是在组织内部还是外部。

但是网上比特币交易违法吗，多模式数据流中的信息合成很难实现自动化，因此这项工作落到了资源有限的人类分析师身上。但是，对合规性的严格要求（例如，误报与误报的成本不对称）可能会导致过度报告，并导致资源有限的政府在执法方面遇到第二个问题。

图卷积网络，加密货币反洗钱的积极解决方案？

Watson Lab 研究人员发现，最近，关于图卷积网络 (GCN) 的研究正在迅速加速，尤其是在可扩展性方面。借助图卷积网络，研究人员可以开始识别交易节点的特征，并绘制出隐藏在其中的质量和模式。而如何在不牺牲正确性的情况下找到一种有效构建模式的方法是可扩展性的最大挑战。

图｜Weber 在 2018 NeurIPS Symposium 上的演讲，Graph Convolutional Networks (GCN) In anti-money laundering monitoring（来源：Youtube）

Weber 指出，我们已经在欧几里得数据——音频、图像、视频中看到了深度学习的非凡成就。直到最近，图形数据还没有普及。图数据在结构上有所不同；这与数据之间的关系有关。想想社交网络、基因表达网络、知识图谱等术语。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。最重要的项目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，由于图形中任何有意义的大小或密度的组合复杂性和非线性，图形的深度学习非常困难。正是这些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为止在反洗钱和反金融恐怖主义等问题上花费了大量资源，但事实证明，只有一小部分非法活动得到了阻止。而韦伯认为，“这意味着我们需要的不是更多的资源，而是更高效的工具。”

本文版权归CoinDesk中文所有

禁止未经授权的复制