Real-CATS: conjunto de datos etiquetado para detectar ciberdelitos con criptomonedas

Artículo arXiv papers · Autor: Jiadong Shi et al.

Resumen

El documento presenta Real-CATS, un conjunto de datos destinado a apoyar el desarrollo y la evaluación de métodos para detectar direcciones de criptomonedas. Combina direcciones identificadas como delictivas en informes reales con direcciones benignas asociadas a clientes de exchanges, y aporta ejemplos etiquetados para una investigación en la que escaseaban los datos reales accesibles.

Los autores describen tres usos: comparar métodos de detección, ampliar el conjunto de datos con características adicionales y evaluar métodos en un entorno pensado para reflejar su implementación en el mundo real. Definen la calidad del conjunto de datos en función de su exhaustividad, capacidad de clasificación, personalización y transferibilidad. El resumen indica el tamaño y la procedencia de los datos, pero no incluye pruebas comparativas de detección ni evidencia de que un método concreto funcione bien. Los resultados pueden depender de cómo se recopilaron las etiquetas y de hasta qué punto la muestra representa las direcciones encontradas durante la implementación, por lo que el conjunto de datos es un recurso de investigación, no una prueba de precisión operativa.

Ideas clave

Las direcciones reales etiquetadas pueden ayudar a abordar la escasez de datos en la investigación sobre delitos relacionados con criptomonedas.
El conjunto de datos combina direcciones delictivas identificadas en informes con direcciones benignas de clientes de exchanges.
Está pensado para evaluar métodos, ampliar características y realizar evaluaciones orientadas a la implementación.
El documento describe el alcance del conjunto de datos, pero no presenta resultados comparativos de rendimiento de detección.

Etiquetas

Criptoactivos Aprendizaje automático Datos en cadena Estadística

Texto completo

# 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

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.