Real-CATS: Ein gekennzeichneter Datensatz zur Erkennung von Kryptowährungskriminalität

Artikel arXiv papers · Autor: Jiadong Shi et al.

Zusammenfassung

Das Dokument stellt Real-CATS vor, einen Datensatz zur Unterstützung der Entwicklung und Bewertung von Methoden zur Erkennung von Kryptowährungsadressen. Er kombiniert Adressen, die in realen Berichten als kriminell identifiziert wurden, mit unbedenklichen Adressen von Kunden von Kryptobörsen und stellt so gelabelte Beispiele für die Forschung bereit, der bislang nur wenige zugängliche reale Daten zur Verfügung standen.

Die Autoren beschreiben drei Verwendungszwecke: Erkennungsmethoden vergleichen, den Datensatz um zusätzliche Merkmale erweitern und Methoden in einem Szenario bewerten, das den realen Einsatz abbilden soll. Die Qualität des Datensatzes bemessen sie an Vollständigkeit, Klassifizierbarkeit, Anpassbarkeit und Übertragbarkeit. Die Zusammenfassung nennt Umfang und Herkunft des Datensatzes, aber keine Vergleichswerte zur Erkennung oder Belege dafür, dass eine bestimmte Methode gut funktioniert. Die Ergebnisse können davon abhängen, wie die Labels erhoben wurden und wie gut die Stichprobe die Adressen abbildet, denen man im Einsatz begegnet. Der Datensatz ist daher eine Forschungsressource und kein Beleg für die Genauigkeit im operativen Einsatz.

Kernaussagen

Gelabelte Adressen aus der realen Welt können dazu beitragen, den Datenmangel in der Forschung zu Kryptowährungskriminalität zu beheben.
Der Datensatz verknüpft gemeldete kriminelle Adressen mit unbedenklichen Adressen von Börsenkunden.
Er ist für die Bewertung von Methoden, die Erweiterung um Merkmale und einsatzorientierte Prüfungen vorgesehen.
Das Dokument beschreibt den Umfang des Datensatzes, berichtet aber keine vergleichende Erkennungsleistung.

Schlagwörter

Krypto Maschinelles Lernen On-Chain-Daten Statistik

Volltext

# Real-CATS: A Practical Training Ground for Emerging Research on Cryptocurrency Cybercrime Detection

Cybercriminals pose a significant threat to blockchain trading security, causing $40.9 billion in losses in 2024. However, the lack of an effective real-world address dataset hinders the advancement of cybercrime detection research. The anti-cybercrime efforts of researchers from broader fields, such as statistics and artificial intelligence, are blocked by data scarcity. In this paper, we present Real-CATS, a Real-world dataset of Cryptocurrency Addresses with Transaction profileS, serving as a practical training ground for developing and assessing detection methods. Real-CATS comprises 103,203 criminal addresses from real-world reports and 106,196 benign addresses from exchange customers. It satifies the C3R characteristics (Comprehensiveness, Classifiability, Customizability, and Real-world Transferability), which are fundemental for practical detection of cryptocurrency cybercrime. The dataset provides three main functions: 1) effective evaluation of detection methods, 2) support for feature extensions, and 3) a new evaluation scenario for real-world deployment. Real-CATS also offers opportunities to expand cybercrime measurement studies. It is particularly beneficial for researchers without cryptocurrency-related knowledge to engage in this emerging research field. We hope that studies on cryptocurrency cybercrime detection will be promoted by an increasing number of cross-disciplinary researchers drawn to this versatile data platform. All datasets are available at https://github.com/sjdseu/Real-CATS

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.