Money laundering detection in cryptocurrency networks
Kriptopara ağlarında kara para aklama faaliyetlerinin tespiti
- Tez No: 789367
- Danışmanlar: PROF. DR. TINAZ EKİM AŞICI
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Bu çalışma, Ethereum ve Bitcoin gibi kripto para ağlarında geçmiş işlem verilerini kullanarak şüpheli cüzdanları tespit etmek için ölçeklenebilir yöntemler geliştirmeyi amaçlamaktadır. İnternete yayılmış yasa dışı cüzdanlar kullanılarak her bir cüzdan veri seti için farklı işlem ağları oluşturulur. Egonet'e bağlı ve bağımsız özellikler, yasadışı cüzdanları tahmin etmek için lojistik regresyon (LR), rastgele orman (RF) ve XGBoost (XGB) dahil olmak üzere bir dizi makine öğrenme tekniğiyle birlikte kullanılır. İlk olarak, Bitcoinfog ve Helix gibi şüpheli bitcoin mikser hizmetleri cüzdanlarını içeren iki veri setindeki şüpheli cüzdanları tespit etmek için modellerin performansını analiz ediyoruz. ROC eğrisi değerinin (AUC) altındaki alan, XGB modelleri için %99'un üzerindedir. Modellerin Helix cüzdanlarında, kesinlik, duyarlılık, f1 puanı ve AUC açısından BitcoinFog cüzdanlarından daha iyi performans gösterdiğini gözlemliyoruz. İkinci olarak, egonet bağımlı özelliklerin modellerin performanslarını önemli ölçüde iyileştirmediğini fark ettik. Bu nedenle, en iyi performans gösteren modeller yalnızca egonetten bağımsız özelliklere sahiptir. Üçüncüsü, herhangi bir mikser hizmeti kullanmayan Bitcoin veri setlerinde %99 AUC elde ediyoruz. Modellerin performansı bu üç veri setinde benzer olsa da, mikser hizmetlerini kullanan cüzdanlar (Helix, Bitcoinfog) ve diğer (Bitcoin) içeren veri setleri arasında özellik önem ölçüsü açısından baskın özellikler farklıdır. Son olarak, Bitcoin, Bitcoinfog ve Helix veri setlerinde kullandığımız aynı özellik setini kullanarak, aynı makine öğrenme modellerini Ethereum veri setinde eğitiyor ve %96 AUC elde ediyoruz. Gerçek yaşam durumlarını simüle etmek için testleri değişen derecelerde sınıf dengesizliği ile tekrarladık. Sınıf dengesizliğinin artan şiddeti ile birlikte AUC'de 0,10'a kadar bir düşüş gözlemliyoruz.
Özet (Çeviri)
This study aims to develop scalable methods to detect suspicious wallets using historical transaction data in cryptocurrency networks such as Ethereum and Bitcoin. Different transaction networks are generated for each wallet data set using the illicit wallets dispersed around the internet. Egonet-dependent and independent features are used with a range of machine learning techniques, including logistic regression (LR), random forest (RF), and XGBoost (XGB), to predict illicit wallets. Firstly, we analyze performance of models to detect suspicious wallets in the two datasets that include suspicious bitcoin mixer services wallets such as Bitcoinfog and Helix. The area under the ROC curve value (AUC) is over 99% for XGB models. We observe that models perform better on Helix wallets than BitcoinFog wallets in terms of precision, recall, f1 score, and AUC. Secondly, we notice that egonet dependent features do not significantly improve the models' performances. Hence, best-performing models have only egonet independent features. Thirdly, on Bitcoin datasets that do not use any mixer services, we obtain over 99% AUC. Although the performance of the models is similar in these three datasets, dominant features in terms of feature importance measure are different between the datasets including wallets using mixer services (Helix, Bitcoinfog) and the other (Bitcoin). Lastly, utilizing the same feature set as we do on Bitcoin, Bitcoinfog and Helix datasets, we train the same machine learning models on the Ethereum dataset and obtain 96% AUC. We repeated the tests with varying degrees of class imbalance to simulate real-life situations. We observe a decline in AUC up to 0.10 together with the increasing severity of the class imbalance.
Benzer Tezler
- Fraud detection in blockchain cryptocurrencies
Blokzincir kripto paralarda dolandırıcılık tespiti
OSMAN KUMAŞ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALPER CAMCI
DOÇ. AKHAN AKBULUT
- Kara para aklama suçu ile mücadelede adli muhasebecilik mesleği
Fighting againts money laundering crime and forensic accountancy profession
HANDAN VURAL
- Kara para aklamanın önlenmesi için derin öğrenme
Deep learning for anti money laundering
MERT YILMAZ ÇAKIR
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. YAHYA ŞİRİN
- Türkiye'de karapara ile mücadele ve bankacılık sektörünün rolü
Fighting against dirty money in Turkey and the role of banking sector
ÖMER KÖKSAL
Yüksek Lisans
Türkçe
2015
BankacılıkTrakya ÜniversitesiBankacılık Ana Bilim Dalı
DOÇ. DR. İSMAİL ORÇUN GÜNDÜZ
- The use of machine learning algorithms in anti-money laundering and counter terrorism financing monitoring systems in correspondent banking
Makine öğrenmesi algoritmalarının muhabir bankacılık işlemlerinde karaparanın aklanması ve terörizmin finansmanıyla mucadele sistemlerinde kullanımı
NURAY YÜCESOY
Yüksek Lisans
İngilizce
2022
BankacılıkBahçeşehir ÜniversitesiBüyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
YRD. DOÇ. DR. CEMAL OKAN ŞAKAR