Elliptic nutzt KI zur Erkennung von Bitcoin-Geldwäsche in großem Maßstab

Ein neues Paper von Elliptic, gemeinsam mit Forschern des MIT-IBM Watson AI Lab verfasst, zeigt, dass Deep-Learning-Modelle Bitcoin-Geldwäsche über Transaktionsketten hinweg deutlich genauer identifizieren können als traditionelle Screening-Methoden allein. Der Datensatz, der die Forschung untermauert, umfasst fast 200 Millionen Transaktionen und ist damit der größte öffentlich zugängliche seiner Art, und die Techniken fließen bereits in Live-AML-Erkennungsprodukte ein. Für Compliance-Teams, Auditoren und Unternehmen, die auf Krypto-Buchhaltungssoftware angewiesen sind, um AML-Pflichten zu erfüllen, sind die Auswirkungen unmittelbar und praktisch.

Was die Forschung tatsächlich leistet

Frühere Arbeiten in diesem Bereich, darunter ein Paper von 2019 von Elliptic und demselben MIT-IBM Watson AI Lab Team, trainierten Machine-Learning-Modelle, um einzelne Bitcoin-Transaktionen zu kennzeichnen, die mit bekannten illegalen Akteuren wie Ransomware-Gruppen oder Darknet-Marktplätzen in Verbindung stehen. Dieser frühere Trainingsdatensatz enthielt rund 200.000 Transaktionen und wurde seitdem fast 400 Mal von Forschern weltweit zitiert, ein Zeichen dafür, wie grundlegend er in der angewandten AML- und Machine-Learning-Literatur geworden ist.

Das neue Paper verfolgt einen deutlich anderen Ansatz. Statt einzelne Transaktionen zu bewerten, lernt das Modell, Subgraphen zu identifizieren: Sequenzen verbundener Transaktionen, die zusammen einen Geldwäschepfad darstellen. Diese Verschiebung ist wichtig, weil professionelle Geldwäsche selten in einem einzigen Schritt erfolgt. Kriminelle bewegen Gelder routinemäßig über mehrere Zwischenadressen, verschachtelte Dienste oder Layering-Schritte, bevor die Gelder einen Auszahlungspunkt erreichen. Ein auf Subgraphen trainiertes Modell kann daher den Prozess der Geldwäsche erfassen, nicht nur den Endpunkt.

Wie das Graph Neural Network funktioniert

Die zugrunde liegende Architektur ist ein Graph Neural Network (GNN), eine Klasse von Deep-Learning-Modellen, die sich gut für Daten eignet, die natürlicherweise als Netzwerk von Beziehungen strukturiert sind. Bitcoins Transaktionshistorie ist genau das: ein gerichteter Graph, bei dem Inputs und Outputs Adressen über die Zeit verbinden. GNNs können aus der Form und dem Muster dieser Verbindungen lernen, nicht nur aus den Attributen eines einzelnen Knotens oder einer Kante.

In diesem Fall wurde das Modell auf gelabelten Subgraphen trainiert, von denen einige bekanntermaßen Geldwäsche darstellen und andere harmlos sind, extrahiert aus dem vollständigen Datensatz von fast 200 Millionen Transaktionen. Nach dem Training kann es vorhersagen, ob eine unbekannte Transaktionskette dem Geldwäschemuster entspricht, selbst wenn keine einzelne Adresse in dieser Kette zuvor gekennzeichnet wurde.

Validierung in der Praxis mit einer Krypto-Börse

Akademische Modelle, die auf Trainingsdaten gut abschneiden, enttäuschen in der Produktion oft. Elliptic begegnete dem mit einem Live-Test mit einer Kryptowährungsbörse. Das Modell generierte 52 Subgraphen, die es als Geldwäschepfade vorhersagte, jeder endete mit einer Einzahlung bei dieser Börse.

Eine bemerkenswerte Trefferquote

Von diesen 52 vorhergesagten Subgraphen endeten 14 bei Konten, die die Börse bereits unabhängig als mit Geldwäsche verbunden gekennzeichnet hatte. Der entscheidende Kontext: Die eigene Kennzeichnungsrate der Börse für Konten im Allgemeinen liegt bei weniger als einem von 10.000. 14 Treffer aus 52 Modellvorhersagen zu erzielen, ist statistisch weit besser als der Zufall erwarten ließe. Eine zufällige Auswahl von 52 Konten aus der Population der Börse würde im Durchschnitt null gekennzeichnete Konten ergeben.

Hier gibt es eine zusätzliche Ebene der Bedeutung. Die Kennzeichnungen der Börse basierten auf Off-Chain-Informationen, Datenquellen wie KYC-Dokumenten, Bankunterlagen oder Verhaltenssignalen, die das On-Chain-Modell von Elliptic nicht sehen kann. Die Tatsache, dass die On-Chain-Vorhersagen des Modells mit diesen Off-Chain-Kennzeichnungen übereinstimmten, deutet darauf hin, dass es Geldwäscheaktivitäten identifiziert, die reine On-Chain-Tools mit konventionellen Heuristiken übersehen würden.

Neue Geldwäschemuster, die das Modell aufdeckte

Eine der unterschätzten Ergebnisse der Forschung ist, was sie über die tatsächliche Funktionsweise der Geldwäsche enthüllte. Einige Muster, die das Modell kennzeichnete, waren bereits bekannt und erkennbar, wie Peel-Ketten, bei denen Gelder durch eine schnelle Abfolge von Wallets fließen, die jeweils etwas weniger weitergeben, als sie erhalten haben. Diese werden bereits in bestehenden Blockchain-Analysetools gescreent.

Verschachtelte Dienste und neuartige Verhaltensweisen

Bedeutender für Compliance-Teams ist die Identifizierung bisher undokumentierter Muster durch das Modell, insbesondere die Nutzung intermediärer „verschachtelter Dienste“ in spezifischen strukturellen Weisen. Verschachtelte Dienste sind Börsen oder Broker, die innerhalb größerer Plattformen operieren; sie können schwer zu identifizieren sein und waren historisch ein blinder Fleck für AML-Programme. Die Forschung beschreibt diese Muster nicht nur abstrakt: Das Wissen fließt direkt in die Erkennungslogik der Screening-Produkte von Elliptic ein, was bedeutet, dass Anwender dieser Tools eine Abdeckung erhalten, die sie zuvor nicht hatten.

Das Modell half auch, bisher unbekannte illegale Wallets aufzudecken. Wenn ein Subgraph als Geldwäschepfad vorhergesagt wird, impliziert dies, dass die ursprünglichen Gelder aus irgendeiner Form illegaler Aktivität stammen. Forscher können dann die Wallets am Anfang dieser Kette untersuchen. Mit dieser Methode hat Elliptic nach eigenen Angaben bereits Wallets identifiziert, die mit Ponzi-Schemata und Darknet-Märkten in Verbindung stehen und zuvor in keiner Known-Bad-Liste standen.

Der offene Datensatz und warum er für die breitere Branche wichtig ist

Zusammen mit dem Paper hat Elliptic den vollständigen zugrunde liegenden Datensatz mit dem Namen „Elliptic2“ öffentlich verfügbar gemacht. Mit fast 200 Millionen Transaktionen ist er der größte öffentliche gelabelte Datensatz für die Erkennung illegaler Kryptowährungen. Die Veröffentlichung ist aus mehreren Gründen bedeutsam, die über akademisches Interesse hinausgehen.

Anhebung des Branchen-Baselines

AML-Forschung im traditionellen Finanzwesen ist durch Datensilos eingeschränkt: Banken können Transaktionshistorien nicht untereinander oder mit Forschern teilen, sodass Modelltrainingssätze klein und oft synthetisch sind. Bitcoins Blockchain ist öffentlich, was bedeutet, dass ein ausreichend gelabelter und strukturierter Datensatz frei geteilt werden kann, ohne die Privatsphäre der Kunden zu beeinträchtigen. Elliptic2 gibt jedem Forschungsteam, Regulator oder Technologieanbieter das Rohmaterial, um eigene Erkennungsmodelle gegen einen gemeinsamen Standard zu trainieren, zu testen und zu benchmarken.

Dies hat direkte Relevanz für Compliance- und Anbieter von Digital-Asset-Buchhaltungssoftware, die AML-Module entwickeln. Ein gemeinsamer Benchmark-Datensatz bedeutet, dass Erkennungsbehauptungen getestet und verglichen werden können, statt auf Vertrauen basiert zu werden. Er bedeutet auch, dass Regulatoren, die die Qualität der AML-Tools eines Unternehmens bewerten wollen, einen Referenzpunkt haben. Sie können über eine vergleichbare KI-gesteuerte Untersuchung in unserer Berichterstattung darüber lesen, wie KI den 387-Millionen-Dollar-Bitget-Hack nach Nordkorea zurückverfolgte, was veranschaulicht, wie diese Techniken aussehen, wenn sie schnell auf einen bestimmten Vorfall angewendet werden.

Buchhaltungs- und Compliance-Implikationen für Unternehmen

Für Buchhaltungsfirmen, die virtuelle Vermögenswertdienstleister (VASPs) betreuen, Auditoren, die AML-Audits durchführen, und CFOs, die Compliance-Programme überwachen, signalisiert diese Forschung mehrere Dinge, die jetzt umgesetzt werden sollten.

Abdeckungslücken bei der Transaktionsüberwachung sind schließbar

Traditionelle regelbasierte Transaktionsüberwachung fängt das ab, wofür sie konfiguriert ist. Mehrstufige Geldwäsche, die keinen Schwellenwert auslöst oder einem bekannten Muster entspricht, kann unentdeckt durchgehen. Der hier beschriebene Subgraph-Ansatz eignet sich von Natur aus besser, um Layering-Verhalten zu erkennen, das sich über viele Schritte entfaltet, weil das Modell aus dem gesamten Pfad lernt, statt jeden Schritt unabhängig zu bewerten. Wenn Ihr aktueller AML-Anbieter noch keine graphbasierte oder Subgraph-Erkennung integriert hat, ist es berechtigt zu fragen, wann er dies plant und wie seine Benchmark-Daten aussehen.

Anforderungen an die Audit-Trail werden anspruchsvoller

Wenn ein Modell eine Einzahlung aufgrund einer Subgraph-Vorhersage als potenziell geldwäscheverdächtig kennzeichnet, muss die Compliance-Aufzeichnung nicht nur die Kennzeichnung erfassen, sondern auch die Begründung: welche Adressen in der Kette waren, welches Muster übereinstimmte und warum das Modell sie so bewertete. Krypto-Buchhaltungssoftware, die die Transaktionsherkunft auf Adressebene aufzeichnet, macht es erheblich einfacher, diesen Trail während einer regulatorischen Prüfung oder eines Audits zu rekonstruieren. Unternehmen, die Transaktionen auf Wallet- oder Entitätsebene aggregieren, ohne adressgenaue Details zu bewahren, werden es schwerer haben, Regulatoren zu antworten, die die On-Chain-Beweise hinter einem SAR oder einer blockierten Transaktion anfordern.

Known-Bad-Listen sind allein nicht mehr ausreichend

Eine der expliziten Erkenntnisse dieser Forschung ist, dass das Modell illegale Wallets identifizierte, die zuvor in keiner bekannten Liste standen. Dies stellt eine gängige Annahme in Compliance-Programmen in Frage: dass das Screening gegen OFAC-Listen, Strafverfolgungs-Feeds und kommerzielle Attributionsdatenbanken ausreichend ist. Das mag nicht der Fall sein. Die Forschung legt nahe, dass unüberwachte oder halbüberwachte Erkennungsansätze Entitäten aufdecken können, die tatsächlich illegal sind, aber einfach noch nicht identifiziert wurden. Unternehmen, deren AML-Programme ausschließlich auf dem Abgleich mit bekannten schlechten Kennungen beruhen, sollten dies als Lücke betrachten, die es zu schließen gilt, insbesondere wenn sie in risikoreicheren Segmenten wie DeFi-Bridging, OTC oder grenzüberschreitenden Überweisungen tätig sind. Unser Beitrag über die AML-Lehren aus der Infiltration des Lazarus-Geldwäschenetzwerks untersucht genau, wie sophisticated Akteure die Erkennung durch Known-Bad-Listen umgehen.

Regulatorische Erwartungen bewegen sich in diese Richtung

Die Financial Action Task Force (FATF) und mehrere nationale Regulatoren haben seit einiger Zeit signalisiert, dass sie erwarten, dass AML-Programme risikobasiert und technologisch aktuell sind, nicht nur eine Checkliste erfüllen. Forschung wie diese, die gemeinsam mit einem großen KI-Forschungslabor entwickelt und peer-reviewt wurde, wird wahrscheinlich prägen, was „State of the Art“ für VASP-AML-Programme in kommenden Aufsichtszyklen bedeutet. Unternehmen, die Bewusstsein für und Investitionen in KI-gestützte Erkennung nachweisen können, sind bei Prüfungen besser positioniert als solche, die rein regelbasierte Systeme betreiben. Dies ist ein Bereich, in dem die zugrunde liegende Qualität des Krypto-Buchhaltungssoftware-Stacks eines Unternehmens zählt: Wenn Transaktionsdaten sauber, strukturiert und adressgenau granular sind, können sie direkt in solche Erkennungspipelines eingespeist werden.

Häufig gestellte Fragen

Was ist ein Subgraph im Kontext der Erkennung von Bitcoin-Geldwäsche?

Ein Subgraph ist eine Kette verbundener Bitcoin-Transaktionen, die als eine einzige Analyseeinheit behandelt wird. Statt zu fragen, ob eine einzelne Transaktion oder Wallet illegal ist, fragt ein Subgraph-Modell, ob eine Sequenz verknüpfter Transaktionen zusammengenommen einem bekannten Geldwäschepfad ähnelt. Dies macht den Ansatz besser geeignet, um Layering-Verhalten zu erkennen, das sich über viele Hops entfaltet.

Enthält der offene Datensatz identifizierende Informationen über Personen?

Der öffentlich veröffentlichte Datensatz „Elliptic2“ enthält Transaktionsgraphdaten aus der Bitcoin-Blockchain, die selbst öffentlich ist. Elliptic hat nicht angegeben, dass Off-Chain-personenbezogene Daten enthalten sind. Der Wert des Datensatzes liegt in der Kennzeichnung von Subgraphen als legal oder illegal, nicht in der Offenlegung individueller Identitäten.

Wie wirkt sich diese Forschung auf die bestehenden AML-Screening-Pflichten unseres Unternehmens aus?

Sie ändert nicht, was Regulatoren derzeit verlangen, aber sie hebt die Messlatte dafür an, was „angemessene“ AML-Technologie ausmacht. Wenn graphbasierte Erkennung zu einer anerkannten Best Practice wird, könnte ein Programm, das ausschließlich auf regelbasiertem Schwellenwert-Screening und Known-Bad-List-Abgleich beruht, zunehmend als unter dem Sorgfaltsstandard angesehen werden, der von einem regulierten VASP oder Finanzinstitut mit digitalen Vermögenswerten erwartet wird.

Können Ausgaben von Graph Neural Networks als Beweismittel in einer SAR-Meldung verwendet werden?

Eine Modellvorhersage ist ein Ermittlungsansatz, kein rechtlicher Beweis für sich genommen. Der Standardprozess bleibt: Das Modell kennzeichnet ein verdächtiges Muster, ein Compliance-Analyst prüft die On-Chain- und Off-Chain-Beweise, und eine SAR wird eingereicht, wenn der Analyst zu dem Schluss kommt, dass Gründe vorliegen. Die Modellausgabe und die Kette der gekennzeichneten Adressen sollten im Untersuchungsbericht dokumentiert werden, um dieses Urteil zu stützen.

Was sollten CFOs ihre AML-Technologieanbieter nach dieser Forschung fragen?

Drei Fragen sind es wert, gestellt zu werden: ob die Erkennungsmodelle des Anbieters Transaktions-Subgraphen oder nur einzelne Transaktionen und Adressen bewerten; welche gelabelten Trainingsdaten den Modellen zugrunde liegen und wie sie aktualisiert werden; und ob ihr System neuartige illegale Wallets aufdecken kann, die nicht bereits auf Known-Bad-Listen stehen. Wenn der Anbieter diese nicht klar beantworten kann, ist das selbst eine nützliche Information für eine Lückenanalyse.

Quelle: Elliptic