Využití neuronových sítí pro analýzu sítě Bitcoin

Abstract

Pseudonymita a absence centrální kontrolní entity u kryptoměny Bitcoin přitahuje pozornost zlomyslných aktérů, kteří chtějí zneužít blockchainové technologie k praní špinavých peněz, financování terorismu, k podvodům a nebo k nákupům nelegálního zboží na darknet tržištích. Identifikace podvodného jednání a nákupů nelegálního zboží představuje klíčový úkol bezpečnostních složek, přičemž detekce praní špinavých peněz a financování terorismu pak patří mezi hlavní priority institucí zaměřených na boj s finanční kriminalitou. Tato práce se proto věnuje využití hlubokého učení pro forenzní analýzu blockchainu sítě Bitcoin. Práce stanovuje hlavní výzvy, které je zapotřebí adresovat, aby mohly být tyto metody strojového učení využity ve forenzní praxi, a analyzuje obsah nejpoužívanější anonymizované datové sady využívané k trénování modelů na identifikaci transakcí spojených s ilegální aktivitou. Za pomoci reverzního inženýrství se mi podařilo deanonymizovat 47 % původních příznaků, a díky tomu identifikovat 100 % transakcí obsažených v této datové sadě. Tato diplomová práce přináší otevřenou datovou sadu, která opravuje zásadní nedostatky původní anonymizované datové sady, a poskytuje tak potřebný základ pro nasazení metod hlubokého učení v praktických forenzních aplikacích. Nakonec tato práce experimentálně vyhodnocuje a porovnává tradiční metody strojového učení s nejmodernějšími metodami hlubokého učení založenými na grafových neuronových sítí, a to jak na původní anonymizované datové sadě, tak na nově představené otevřené datové sadě.

Pseudonymity and the absence of a central control entity in the Bitcoin cryptocurrency attract the attention of malicious actors seeking to exploit blockchain technology for money laundering, terrorism financing, fraud, and the purchase of illegal goods on darknet marketplaces. The identification of fraudulent activities and illegal purchases is a key task for security forces, while the detection of money laundering and terrorism financing is a primary focus for institutions combating financial crime. This thesis focuses on the use of deep learning for forensic analysis of the Bitcoin network blockchain. It outlines the main challenges that need to be addressed for machine learning methods to be effectively applied in forensic practice, and analyzes the content of the most commonly used anonymized dataset employed to train models for identifying transactions associated with illegal activity. Through reverse engineering, I was able to deanonymize 47 % of the original labels, which enabled the identification of 100 % of the transactions contained in this dataset. This thesis presents an open dataset that corrects critical flaws in the original anonymized dataset, thereby providing a necessary foundation for the deployment of deep learning methods in practical forensic applications. Finally, the thesis experimentally evaluates and compares traditional machine learning techniques with state-of-the-art deep learning methods based on graph neural networks, using both the original anonymized dataset and the newly introduced open dataset.