AI 模型监视 Bitcoin 的地下世界，非法交易正演变为隐藏网络

比特币旨在不依赖银行、边境或交易名称的情况下转移资金。然而，这种设计也使得全球最大的加密货币成为了金融犯罪的磁石，从勒索软件支付到通过令人眼花缭乱的地址链进行洗钱操作。南京东南大学和深圳鹏城实验室的研究人员 Fan Wu, Wei Yin, Xiaoyan Hu 和 Xinxin Luo 在《Applied Intelligence》上发表的一项新研究针对这一问题提出了一种名为 E-GTNet（边缘增强型图 Transformer 网络，Edge-enhanced Graph Transformer Network 的缩写）的混合人工智能框架，并配以图数据库，让调查人员能够切实看到该模型揭示的犯罪结构。

研究人员着手解决的核心挑战看似简单，实则极难。作者在论文中指出，由于加密货币具有去中心化和匿名性的特点，它们已成为犯罪分子从事金融犯罪的首选工具。在这种环境下检测异常交易不仅仅是标记可疑账户的问题。交易形成了庞大且不断变化的网，每一次支付都将一个地址与另一个地址联系起来，任何单个节点的含义都取决于其在该网中的位置。传统的机器学习方法将每笔交易或账户视为独立的特征行，这恰恰丢弃了区分洗钱操作与普通商业活动的关系信息。

E-GTNet 的对策是将比特币账本视为其真实形态：图。该团队根据比特币交易记录构建了一个异构交易图，并结合了时序演变特征。换句话说，该模型看到的不是网络的静态快照，而是一个随时间变化的活生生的结构，其中节点代表地址，边代表它们之间的价值流动。这里的异构性至关重要，因为并非所有的节点和边都承载相同的语义权重；该图编码了不同类型的实体和关系，使模型能够推断地址在生态系统中扮演的各种角色。

在架构上，该框架融合了现代深度学习的三个互补分支。首先是边感知注意力机制。在图神经网络中，注意力机制允许节点以不同的方式权衡邻居的影响，而不是一视同仁，通过使机制具备边感知能力，E-GTNet 直接利用了边级特征。这在金融网络中是一个具有深远意义的区别，因为交易本身的特性（如其发生的时间及其在资金流中的位置）与其两端地址的属性一样具有信息量。第二个分支是图卷积结构，它是图表示学习的核心，它聚合了邻域信息，使每个节点的嵌入都能反映其局部语境。第三个分支是时序序列建模，它捕捉了交易的时间动态，确保模型不仅学习谁与谁相连，还学习这些连接如何随时间展开。

为图推理选择 Transformer 风格的骨干网意义重大。图 Transformer 已成为一类功能强大的模型，因为原则上注意力可以关联图中的任何两个节点，而不局限于直接邻居，这有助于捕捉简单的消息传递网络可能会遗漏的长程依赖关系。对于异常检测而言，这一点很重要，因为非法行为往往通过细微的多跳模式显现出来：一系列中间地址的存在纯粹是为了掩盖资金来源。一个能够关注整个图，同时通过卷积组件兼顾局部结构的模型，比只看节点直接周围环境的模型更能识别此类模式。