In shaping the Internet of Money, the application of blockchain and distributed ledger technologies (DLTs) to the financial sector triggered regulatory concerns. Notably, while the user anonymity enabled in this field may safeguard privacy and data protection, the lack of identifiability hinders accountability and challenges the fight against money laundering and the financing of terrorism and proliferation (AML/CFT). As law enforcement agencies and the private sector apply forensics to track crypto transfers across ecosystems that are socio-technical in nature, this paper focuses on the growing relevance of these techniques in a domain where their deployment impacts the traits and evolution of the sphere. In particular, this work offers contextualized insights into the application of methods of machine learning and transaction graph analysis. Namely, it analyzes a real-world dataset of Bitcoin transactions represented as a directed graph network through various techniques. The modeling of blockchain transactions as a complex network suggests that the use of graph-based data analysis methods can help classify transactions and identify illicit ones. Indeed, this work shows that the neural network types known as Graph Convolutional Networks (GCN) and Graph Attention Networks (GAT) are a promising AML/CFT solution. Notably, in this scenario GCN outperform other classic approaches and GAT are applied for the first time to detect anomalies in Bitcoin. Ultimately, the paper upholds the value of public–private synergies to devise forensic strategies conscious of the spirit of explainability and data openness.

在塑造货币互联网的过程中，区块链和分布式账本技术（DLT）在金融领域的应用引发了监管方面的担忧。值得注意的是，虽然该领域启用的用户匿名可以保护隐私和数据保护，但缺乏可识别性会阻碍问责制，并对打击洗钱、恐怖主义融资和扩散（AML/CFT）的斗争提出挑战。随着执法机构和私营部门应用取证来跟踪本质上具有社会技术性质的生态系统中的加密货币转移，本文重点关注这些技术在其部署影响该领域的特征和演变的领域中日益增长的相关性。特别是，这项工作为机器学习和交易图分析方法的应用提供了情境化的见解。也就是说，它通过各种技术分析以有向图网络表示的比特币交易的现实数据集。将区块链交易建模为复杂网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，称为图卷积网络 (GCN) 和图注意力网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。它通过各种技术分析以有向图网络表示的比特币交易的现实数据集。将区块链交易建模为复杂网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，称为图卷积网络 (GCN) 和图注意力网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。它通过各种技术分析以有向图网络表示的比特币交易的现实数据集。将区块链交易建模为复杂网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，称为图卷积网络 (GCN) 和图注意力网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。将区块链交易建模为复杂网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，称为图卷积网络 (GCN) 和图注意力网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。将区块链交易建模为复杂网络表明，使用基于图的数据分析方法可以帮助对交易进行分类并识别非法交易。事实上，这项工作表明，称为图卷积网络 (GCN) 和图注意力网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。这项工作表明，称为图卷积网络 (GCN) 和图注意网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。这项工作表明，称为图卷积网络 (GCN) 和图注意网络 (GAT) 的神经网络类型是一种有前途的 AML/CFT 解决方案。值得注意的是，在这种情况下，GCN 优于其他经典方法，并且首次应用 GAT 来检测比特币中的异常情况。最终，本文坚持公私协同作用的价值，以设计具有可解释性和数据开放精神的法证策略。