Geri Dön

Money laundering detection in cryptocurrency networks

Kriptopara ağlarında kara para aklama faaliyetlerinin tespiti

  1. Tez No: 789367
  2. Yazar: ELİF EMİNE ERDEM
  3. Danışmanlar: PROF. DR. TINAZ EKİM AŞICI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Fraud detection in blockchain cryptocurrencies

    Blokzincir kripto paralarda dolandırıcılık tespiti

    OSMAN KUMAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALPER CAMCI

    DOÇ. AKHAN AKBULUT

  2. Kara para aklama suçu ile mücadelede adli muhasebecilik mesleği

    Fighting againts money laundering crime and forensic accountancy profession

    HANDAN VURAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    İşletmeAtatürk Üniversitesi

    İşletme Ana Bilim Dalı

    YRD. DOÇ. DR. BERNA İPEKTEN

  3. Kara para aklamanın önlenmesi için derin öğrenme

    Deep learning for anti money laundering

    MERT YILMAZ ÇAKIR

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. YAHYA ŞİRİN

  4. 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

    Türkçe

    2015

    BankacılıkTrakya Üniversitesi

    Bankacılık Ana Bilim Dalı

    DOÇ. DR. İSMAİL ORÇUN GÜNDÜZ

  5. 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

    İngilizce

    2022

    BankacılıkBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    YRD. DOÇ. DR. CEMAL OKAN ŞAKAR