In der heutigen Zeit, in der die Popularität von Kryptowährungen stark zugenommen hat, ist auch ein Anstieg von Finanzdelikten wie Geldwäsche zu verzeichnen. Die teilweise Anonymität, die Kryptowährungen bieten, führt dazu, dass sich Kriminelle dieser digitalen Währungsform bedienen, um ihre kriminellen Machenschaften zu verschleiern. Den Strafverfolgungsbehörden fehlt oft der Zugang zu den Daten, um Geldwäscheaktivitäten über Kryptowährungen zu identifizieren, da es äußerst schwierig ist, Verdächtige in den großen Datenmengen der Blockchain zu verfolgen. Doch genau hier kommen KI und maschinelles Lernen ins Spiel. Diese Technologien sind besonders gut geeignet, um große Datenmengen zu analysieren.
In der Bekämpfung von Finanzkriminalität durch Kryptowährungen haben sich bedeutende Fortschritte auf dem Gebiet der KI ergeben. So hat das auf Kryptowährungsanalysen spezialisierte Unternehmen Elliptic gemeinsam mit dem MIT-IBM Watson AI Lab eine Studie veröffentlicht. Diese beschäftigt sich mit einem KI-Modell, das Transaktionen identifizieren kann, die potenziell Geldwäscheaktivitäten darstellen. Der Datensatz kann einen Fluss von Bitcoins erkennen, der mit Geldwäscheaktivitäten in Verbindung stehen könnte, indem er Instanzen erkennt, in denen eine Kryptowährungskette in legitimes Geld umgewandelt wird. Dieser Datensatz, genannt Elliptic2, wurde der Öffentlichkeit zugänglich gemacht, um weitere Forschungen zur Erkennung von Finanzkriminalität zu fördern.
Die Methoden der Geldwäsche über die Blockchain sind vielfältig. Kriminelle können beispielsweise Kryptowährungen verwenden, um ihr gewaschenes Geld in Bargeld umzuwandeln und die Transaktion zu legitimieren. Sie können auch Geld ins Ausland transferieren und auf andere Konten überweisen, ohne dabei zurückverfolgt zu werden. Oft erstellen Betrüger Brieftaschen, um mehrere Transaktionen kleiner Geldbeträge aus ihren großen Geldsummen zu tätigen. Dies erschwert es den Strafverfolgungsbehörden erheblich, den Weg zu einem einzelnen Kriminellen zurückzuverfolgen.
Laut Chainalysis wurden im Jahr 2023 mehr als 22,2 Milliarden Dollar an Kryptowährungen von illegalen Diensten verschickt, was auf Geldwäscheaktivitäten hinweist. Um dieser Herausforderung zu begegnen, wurden Regulierungen eingeführt. Die Gründe, warum Bitcoin nicht anonym ist, sondern eher pseudoanonym ist, liegen darin, dass in den Vereinigten Staaten gemäß den Richtlinien des FinCEN zur Anwendung des Bank Secrecy Act (BSA) von 1970 auf Kryptowährungen Netzwerke „genug über ihre Kunden wissen müssen, um das Risikolevel festzustellen, das sie für die Einrichtung darstellen.“ Netzwerke sind verpflichtet, ein Anti-Geldwäsche-Programm (AML) zu haben, wie von FinCEN gefordert. Dies erfordert, dass sie eine angemessene Risikobewertung ihres Netzwerks durchführen und die Identität und das Profil ihrer Kunden bestimmen.
Oftmals erfordert dies, dass sie Know Your Customer (KYC) -Dienste durchführen und Konten identifizieren, die möglicherweise illegal sind. Es gibt jedoch erhebliche Herausforderungen bei diesem Prozess. Insbesondere bei der Kontaktaufnahme mit Einzelpersonen und der Identifizierung illegaler Transaktionen aus großen, stetig wachsenden Datensätzen. Dies kann oft zu hohen Fehlerraten führen, die eine Belastung für Zeit und Ressourcen darstellen. Daher kann KI eingesetzt werden, um die mit diesem Prozess verbundene Arbeit zu verringern.
Die Klassifizierung von illegalen Transaktionen mit Hilfe von KI Im Jahr 2019 veröffentlichte Elliptic eine Studie, die darlegte, wie maschinelles Lernen verwendet werden kann, um Konten basierend auf der Historie ihrer Transaktionen als illegal oder legal einzustufen. Elliptic verwendete die großen Mengen an öffentlich verfügbaren Bitcoin-Rohtransaktionsdaten, um einen Datensatz zu erstellen. Dieser Datensatz bestand aus 200.000 Bitcoin-Transaktionen über einen bestimmten Zeitraum. Der Datensatz war ein „Graphnetzwerk“ von Bitcoin-Transaktionen, die als „legal“ oder „illegal“ gekennzeichnet wurden.
Transaktionen, die mit Entitäten wie Börsen, Wallet-Anbietern, Minern und anderen seriösen Quellen verbunden waren, wurden als legal klassifiziert. Ähnlich wurden Transaktionen im Zusammenhang mit Betrug, Malware, terroristischen Organisationen, ransomware, Ponzi-Schemata usw. als illegal markiert. Diese binären Klassifikationen wurden durch einen „heuristischen Begründungsprozess“ erstellt. Beispielsweise sind Konten, die dieselbe Adresse wiederverwenden und eine höhere Anzahl von Eingängen aufweisen, häufig mit legitimen Aktivitäten verbunden.
Dies liegt daran, dass diese Transaktionen die Anonymität für die Entität verringern, die die Transaktion unterzeichnet. Ebenso neigen Konten dazu, die Gelder, die von mehreren Adressen kontrolliert werden, in einer einzelnen Transaktion konsolidieren, und reduzieren somit Anonymitätsbewahrende Maßnahmen für große Benutzerzahlen, sind wahrscheinlich legale Börsen. Im Gegensatz dazu reduzieren Konten, die dazu neigen, Transaktionen mit einer geringen Anzahl von Eingängen zu bevorzugen, den Effekt der Entanonymisierung. Daher sind sie wahrscheinlicher illegal. Elliptic verwendete Logistische Regression (LR), Zufallswälder (RF), Multilayer-Perzeptronen (MLP) als Klassifikationstechniken und Graphenkonvolutionale Netzwerke (GCN) für die Skalierbarkeit.
Die Forschung stellte fest, dass Zufallsbaum die logistische Regression und das GCN deutlich übertroffen hat. Zu diesem Zeitpunkt war dieser Datensatz der größte gelabelte Datensatz von Bitcoin-Transaktionen. Er wurde anschließend der Öffentlichkeit zugänglich gemacht, um weitere Forschungen zu ermöglichen und Konten zu identifizieren, die mit illegalen Aktivitäten in Verbindung stehen. Identifizierung von Geldwäsche-Transaktionen Am 1. Mai 2024 veröffentlichten sie eine weitere Studie zur Verbesserung der Geldwäscheerkennung mithilfe von KI.
Der neue Datensatz bekämpft Finanzkriminalität, indem er feststellt, ob ein bestimmter Fluss von Bitcoins möglicherweise mit Geldwäscheaktivitäten verbunden ist, anstatt Transaktionen von kriminellen Schauspielern zu identifizieren. Dies geschieht, indem beobachtet wird, ob die Transaktionen ungewöhnliche Muster aufweisen und ob Kryptowährungen nach mehreren Transaktionspunkten in Bargeld umgewandelt werden. Das Modell verwendet eine „Subgraph-Repräsentation“, die eine Technik zum Analysieren lokaler Strukturen innerhalb komplexer Netzwerke ist. Diese Technik kann ungewöhnliche Serien von Kettentransaktionen oder „Formen“ identifizieren, die deutlich Geldwäschemuster ähneln. Die Studie beruht auf der Theorie, dass „ein Pfad auf der Blockchain, der eine illegale Cluster mit einem legalen Cluster verbindet, ohne dass ein Eigentümerwechsel der Gelder stattfindet, wahrscheinlich die Aktivität der Geldwäsche einer kriminellen Person oder Organisation darstellt.
“ Daher kann die Kette von Transaktionen von legalen zu illegalen Konten, die als „Multi-Hop“-Waschprozess bezeichnet wird, eine „Form“ erzeugen, die als Subgraphen identifiziert werden kann, die mit Aktivitäten wie Geldwäsche in Verbindung stehen. Elliptic2 ist ein Datensatz von 200 Millionen klassifizierten und gelabelten Bitcoin-Transaktionen. Der Datensatz definiert eine illegale Transaktion durch das Zeitfenster, die maximale Anzahl von Hops zwischen Konten und die Bedingungen, wann ein Eigentümerwechsel wahrscheinlich stattfindet. Für diesen Datensatz wurde das Zeitfenster auf 1 Jahr Blockchain-Daten und die maximale Anzahl von Hops auf 6 festgelegt. Jeder Schritt der Transaktion wurde als „legal“ oder „illegal“ definiert.
Es wurden 3 Methoden verwendet, um das Modell zu trainieren – GNN-Seg, Sub2Vec und GLASS. Alle Methoden konnten sich in mehreren Tagen des Trainings konvergieren, wobei die Inferenzzeit weniger als 8 Stunden betrug. GLASS wurde jedoch für weitere Experimente verwendet. Für das Experiment wurden 52 verdächtige Subgraphen ausgewählt, die an einer Börse ausgezahlt wurden. Die Börse wurde dann gebeten, eine Bewertung der Legitimität dieser Konten auf der Grundlage ihrer Sorgfaltspflichtpraktiken durchzuführen.
Nach Angaben der Börse waren 14 der 52 Konten möglicherweise in illegale Aktivitäten verwickelt. Ebenso wurden bei einem weiteren Experiment Untersuchungen durchgeführt, um den Ursprung der in verdächtige Subgraphs fließenden Gelder zu identifizieren. Von diesen Subgraphen wurden 182 als mit Finanzbetrug verbunden identifiziert. Darüber hinaus konnte das Modell auch bekannte Methoden der Geldwäsche identifizieren – „Peeling Chains“ und „Nesting Services“. „Peeling Chains“ beinhaltet, dass ein Benutzer einen kleinen Betrag aus einem großen in eine separate Adresse abzieht und den Rest an eine Adresse des Benutzers sendet.
Diese Kette setzt sich fort, wobei der Betrag kleiner wird und die Rückverfolgung immer schwieriger wird. Letztendlich tauschen Betrüger diese Beträge an Börsen aus. „Nested Services“ sind hingegen Unternehmen, die Konten bei größeren Kryptowährungsbörsen führen und Liquidität für Konten ohne direkte Interaktion mit der Börse ermöglichen. Diese können von Geldwäschern missbraucht werden, um ihre Kryptowährungen ohne direkte Transaktion mit der Börse auszuzahlen. Der Datensatz Elliptic2 und das Modell wurden weit verbreitet zur Verfügung gestellt, um weitere Forschungen zu fördern.
Warum das wichtig ist Geldwäsche durch Kryptowährungen ist ein großes Problem für die Strafverfolgungsbehörden, und es besteht ein zunehmender Bedarf an Technologien, um auf dem neuesten Stand zu bleiben. So hat die Polizei in Chennai kürzlich eine Ausschreibung für ein Werkzeug zur Analyse von Kryptowährungstransaktionen zur Bekämpfung von Finanzbetrug herausgegeben. Darüber hinaus, obwohl präventive Maßnahmen wie KYC notwendig sein können, um illegale Aktivitäten zu identifizieren, widerspricht dies dem Zweck der Anonymität, die von Kryptowährungen versprochen wird. Daher sind Entwicklungen im Bereich der KI auf diesem Gebiet von großer Bedeutung.
