中圖分類號(hào)：TN915.08-34；TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-373X（2025）16-0167-05

Research onapplicationof artificial intelligenceandbigdata technology in governance of virtual currency criminal offense

LIUHuan2，XIAOWei3 （1.Xi'anJiaotongUniversity，Xi'an710o49，China; 2.Shaanxi Public SecurityNew NetworkFinancial CrimeResearch Center，ShaanxiPoliceColege，Xi’an7Oo21，China; 3.ShaanxiProvincial Public SecurityDepartment，Xi'an71oo18，China）

Abstract：In allusion to thegovernance needs of virtual currencycriminal offense，anenhanced detection modelbasedon relationalgraphconvolutionalnetwork（RGCN）isproposed.Inthemodel，originalfeatureandcross-temporalfeature concatenationmechanismareintegratedinovativelyintothegraphembeddnglayerdesign，efectivelymitigatingtheinfoation losscausedbytheredundantconvolution.Therandomforestensemblelearningstrategyisusedtooptimizethefeature representationinthegraphembeddinglayer，significantlyimprovingmodelrecognitionaccuracy.Theconstructedthre-layer RGCN framework canreducecomputationaloverheadbymeansofspatio-temporalfeaturefusion strategyandoptimizetherecal rate.TheexperimentalresultsdemonstratethattheLSTM-basedRGCNcanperformthebestintherecallindex，whichis67.6% and is 4.4% higher than the GRU variant;while the GRU structure focuses moreon the optimization of accuracy，with an accuracy of 87.3% .Combining thecurrenturgent requirement for monitoring high-risk individuals inanti-money laundering scenarios，itdemonstratesthattheproposedmodelcanefectivelysupportvirtualcurencytransactionsupervisionpracticesby enhancing recall performance.

Keywords：artificial intelligence;virtual currency；criminal offense；dynamicgraph convolutional network；LSTM;GRU; recall optimization

0 引言

流通的媒介，以及作為在特定虛擬環(huán)境中流通的數(shù)字媒介，不僅支持服務(wù)與商品的便捷交換1，還具有獨(dú)特的交易特性。然而，它并非由官方貨幣機(jī)構(gòu)發(fā)行，缺乏法定虛擬貨幣作為在特定虛擬空間內(nèi)以數(shù)字符號(hào)形式貨幣的強(qiáng)制性和法償性特征，因此在嚴(yán)格意義上并不等同于傳統(tǒng)貨幣。在全球經(jīng)濟(jì)日益融合的背景下，虛擬貨幣的匿名性和交易便利性引起了國際犯罪組織的關(guān)注。這些組織利用各國對(duì)虛擬貨幣監(jiān)管策略的差異，巧妙地將其用作洗錢等非法活動(dòng)的工具，進(jìn)一步加劇了金融犯罪的風(fēng)險(xiǎn)3。在傳統(tǒng)反洗錢策略中，客戶識(shí)別和可疑交易識(shí)別最重要，可運(yùn)用基于聚類孤立點(diǎn)挖掘算法、基于距離聚類算法、網(wǎng)格聚類算法分析可疑洗錢行為4。文獻(xiàn)[5]提出一種數(shù)據(jù)挖掘中聚類模型，用該模型預(yù)測(cè)反洗錢領(lǐng)域中賬戶間交易情況。近年來，虛擬貨幣領(lǐng)域中的刑事犯罪活動(dòng)頻繁涌現(xiàn)，成為了社會(huì)安全的一大隱患，亟需密切關(guān)注并采取行動(dòng)。因此，本文聚焦于人工智能與大數(shù)據(jù)技術(shù)的融合應(yīng)用，深入研究它們?cè)诖驌艉头婪短摂M貨幣刑事犯罪方面的潛力與效果。

1涉及虛擬貨幣刑事犯罪風(fēng)險(xiǎn)的主要類型

涉及虛擬貨幣的刑事犯罪風(fēng)險(xiǎn)類型包括：以虛擬貨幣為侵財(cái)行為對(duì)象的犯罪、以虛擬貨幣投資等為外衣實(shí)施的詐騙類犯罪、利用虛擬貨幣交易實(shí)施的洗錢類犯罪、以虛擬貨幣為幌子的組織領(lǐng)導(dǎo)傳銷活動(dòng)。我國雖未官方認(rèn)可虛擬貨市交易，但其內(nèi)在價(jià)值與市場(chǎng)流通的廣泛性不容忽視。司法實(shí)踐中，虛擬貨幣常成為詐騙、盜竊等財(cái)產(chǎn)犯罪的標(biāo)的物。伴隨市場(chǎng)經(jīng)濟(jì)的蓬勃發(fā)展，以創(chuàng)新為幌子的違法犯罪活動(dòng)層出不窮，尤其以虛擬貨幣投資為噱頭的詐騙、集資詐騙案件最為顯著。區(qū)塊鏈、虛擬貨幣及第四方支付等互聯(lián)網(wǎng)新興技術(shù)雖帶來了便利，但也因其虛擬性、隱蔽性等特點(diǎn)，為洗錢犯罪提供了溫床，且與網(wǎng)絡(luò)詐騙、賭博、販毒等犯罪活動(dòng)交織緊密。此類犯罪往往借助虛擬貨幣的隱蔽性和專業(yè)性，構(gòu)建復(fù)雜的傳銷網(wǎng)絡(luò)，利用互聯(lián)網(wǎng)平臺(tái)和軟件大肆宣傳虛假的盈利模式和獎(jiǎng)勵(lì)機(jī)制，誘騙并廣泛招募下線成員。

2基于動(dòng)態(tài)圖卷積網(wǎng)絡(luò)的RGCN模型總體設(shè)計(jì)

本文針對(duì)虛擬貨幣洗錢數(shù)據(jù)集進(jìn)行構(gòu)圖步驟設(shè)計(jì)，并提出一種基于動(dòng)態(tài)圖卷積網(wǎng)絡(luò)的增強(qiáng)識(shí)別模型（Relational Graph Convolutional Network，RGCN）。

2.1構(gòu)圖步驟設(shè)計(jì)

Elliptic虛擬貨幣交易數(shù)據(jù)集作為目前公開的最大規(guī)模反洗錢標(biāo)記數(shù)據(jù)集，不僅在實(shí)際應(yīng)用中展現(xiàn)出極高的價(jià)值，其算法檢測(cè)的權(quán)威性也備受認(rèn)可。立足于這一基礎(chǔ)，本文旨在嚴(yán)謹(jǐn)、系統(tǒng)地對(duì)RGCN模型在虛擬貨幣交易真實(shí)環(huán)境中的應(yīng)用進(jìn)行性能評(píng)估與精度校驗(yàn)。采用精確的數(shù)據(jù)處理方法，深入細(xì)致地讀取Elliptic數(shù)據(jù)集的特征數(shù)據(jù)，并依據(jù)數(shù)據(jù)集劃分的標(biāo)準(zhǔn)（訓(xùn)練集與驗(yàn)證集），實(shí)現(xiàn)了基礎(chǔ)及完整特征數(shù)據(jù)向CSR_MATRIX編碼的轉(zhuǎn)換，這種方式顯著加速了圖構(gòu)建過程中的計(jì)算速度，降低了整體時(shí)間消耗。鑒于金融數(shù)據(jù)的時(shí)間敏感性，在虛擬貨幣交易網(wǎng)絡(luò)中，每一筆交易都附有精確的時(shí)間戳，它標(biāo)志著交易在區(qū)塊鏈上的確認(rèn)時(shí)刻?；谶@一特性，本文在EIliptic數(shù)據(jù)集中，依據(jù)平均時(shí)間間隔劃分了49個(gè)時(shí)間步長，通過初始化ID生成ID字典，結(jié)合ID字典進(jìn)行邊信息讀取，生成邊列表，也就是將節(jié)點(diǎn)在ID映射。為了將鄰接矩陣轉(zhuǎn)化為對(duì)稱矩陣并增設(shè)自環(huán)，將原始的鄰接矩陣轉(zhuǎn)化為對(duì)稱形式，同時(shí)在對(duì)角線上添加1來代表每個(gè)節(jié)點(diǎn)的自環(huán)，從而生成一個(gè)全新的、包含自環(huán)的鄰接矩陣。在此之后基于訓(xùn)練、驗(yàn)證及測(cè)試的不同要求，審慎地確定了一個(gè)合適的時(shí)間步長。通過驗(yàn)證流程構(gòu)建出專門用于識(shí)別非法交易的鄰接圖矩陣。EIliptic數(shù)據(jù)集構(gòu)圖方案如圖1所示。

2.2 模型設(shè)計(jì)

相較于傳統(tǒng)的GCN-RNN聯(lián)合訓(xùn)練模式，GCN-RNN模式在捕捉圖結(jié)構(gòu)隨時(shí)間演變的動(dòng)態(tài)特征時(shí)存在明顯的局限性，對(duì)于虛擬貨幣交易網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)量與連接關(guān)系的動(dòng)態(tài)變化，其敏感度相對(duì)較低8。由于交易數(shù)據(jù)本身時(shí)序特征難以直接獲取，當(dāng)前動(dòng)態(tài)圖卷積網(wǎng)絡(luò)如EvolveGCN，在識(shí)別非法交易時(shí)的召回率與精度仍有待提高，且其常用的RNN模型往往伴隨著較高的計(jì)算時(shí)間成本。隨著洗錢手段的專業(yè)化與國際化，洗錢活動(dòng)逐漸呈現(xiàn)小規(guī)模、多節(jié)點(diǎn)、短期貨幣轉(zhuǎn)移的模式，傳統(tǒng)圖結(jié)構(gòu)特征提取方法難以區(qū)分非法與正常交易。虛擬貨幣交易中，非法交易往往藏匿于正常交易中，加之樣本類別的不平衡性，導(dǎo)致圖卷積網(wǎng)絡(luò)（GCN）模型預(yù)測(cè)效果不理想。

在時(shí)間維度下，本文對(duì)虛擬貨幣交易網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行了精細(xì)化處理，旨在將這些數(shù)據(jù)轉(zhuǎn)化為動(dòng)態(tài)圖特征提取的任務(wù)，從而精準(zhǔn)捕捉網(wǎng)絡(luò)結(jié)構(gòu)隨時(shí)間發(fā)生的微妙變化。為實(shí)現(xiàn)這一目標(biāo)，精心設(shè)計(jì)和實(shí)現(xiàn)了RGCN模型的三層架構(gòu)。在該模型中，結(jié)構(gòu)卷積層參考EvolveGCN演化機(jī)制設(shè)計(jì)，用于捕獲圖譜結(jié)構(gòu)的動(dòng)態(tài)變化；與EvolveGCN的兩層演化架構(gòu)不同，本文結(jié)構(gòu)卷積層只使用LSTM-GCN單層設(shè)計(jì)作為頂層。同時(shí)，RGCN模型中還設(shè)計(jì)時(shí)間卷積層，通過融合因果卷積與殘差網(wǎng)絡(luò)來綜合學(xué)習(xí)時(shí)空維度，以提升卷積網(wǎng)絡(luò)性能并提高召回率。針對(duì)小型化、多節(jié)點(diǎn)的洗錢趨勢(shì)，融入圖嵌入層，挖掘時(shí)空向量圖結(jié)構(gòu)并提煉深層特征。采用決策樹分類與特征增強(qiáng)優(yōu)化模型，提升非法交易識(shí)別精度。圖2為RGCN動(dòng)態(tài)圖卷積網(wǎng)絡(luò)模型架構(gòu)圖。

圖2RGCN動(dòng)態(tài)圖卷積網(wǎng)絡(luò)模型架構(gòu)圖

在圖2中，T為時(shí)間步長，模型由結(jié)構(gòu)卷積層、時(shí)間卷積層、圖嵌入層組成。第1層為結(jié)構(gòu)卷積層，其作用是提取圖數(shù)據(jù)節(jié)點(diǎn)結(jié)構(gòu)特征，在不同時(shí)間步長下，通過LSTM對(duì)GCN的輸人參數(shù)進(jìn)行控制。為應(yīng)對(duì)GCN模型參數(shù)動(dòng)態(tài)更新挑戰(zhàn)，并深人聚合節(jié)點(diǎn)局部結(jié)構(gòu)信息，精準(zhǔn)描繪交易網(wǎng)絡(luò)圖譜的節(jié)點(diǎn)鄰域細(xì)節(jié)，創(chuàng)新性地將動(dòng)態(tài)更新機(jī)制融人結(jié)構(gòu)卷積層，從而顯著增強(qiáng)模型對(duì)節(jié)點(diǎn)結(jié)構(gòu)動(dòng)態(tài)變遷的敏感性。同時(shí)，利用時(shí)間卷積層的強(qiáng)大功能，精確捕捉結(jié)構(gòu)特征向量中的時(shí)序信息，進(jìn)一步提升模型的預(yù)測(cè)準(zhǔn)確性。作為輸出層的圖嵌入層，作用是整合歷史與當(dāng)前結(jié)構(gòu)信息，并與原始特征融合，接著，使用隨機(jī)森林分類器成功降低因樣本類別不平衡所帶來的預(yù)測(cè)誤差，從而實(shí)現(xiàn)模型精度的進(jìn)一步優(yōu)化[0]。

3RGCN模型的結(jié)構(gòu)卷積層設(shè)計(jì)

設(shè)計(jì)RGCN模型的結(jié)構(gòu)卷積層時(shí)借鑒了EvolveGCN的參數(shù)更新機(jī)制，創(chuàng)新性地應(yīng)對(duì)節(jié)點(diǎn)數(shù)量的動(dòng)態(tài)變化輸入，以此增強(qiáng)模型對(duì)圖結(jié)構(gòu)變動(dòng)及節(jié)點(diǎn)數(shù)量波動(dòng)的敏銳捕捉能力。在RGCN模型的構(gòu)建過程中，卷積層部分巧妙地融合了一層動(dòng)態(tài)卷積，可將模型時(shí)空開銷降低，通過更新RNN機(jī)制進(jìn)行最適合虛擬貨幣反洗錢場(chǎng)景的LSTM模型的選取，并解決隨圖結(jié)構(gòu)變化引起的模型參數(shù)動(dòng)態(tài)更新問題。

3.1 空間采樣

結(jié)構(gòu)卷積層專注于從隨時(shí)間變化的虛擬貨幣交易網(wǎng)絡(luò)圖中提取結(jié)構(gòu)變化特征。GCN模型的特點(diǎn)在于，利用拉普拉斯矩陣的特征向量與特征值深入剖析圖結(jié)構(gòu)，挖掘其深層含義。針對(duì)數(shù)據(jù)集的時(shí)間步長特性，采用序列化的策略，將動(dòng)態(tài)圖分解為多個(gè)靜態(tài)圖序列，巧妙地實(shí)現(xiàn)了交易數(shù)據(jù)向圖數(shù)據(jù)的時(shí)序映射。在GCN模型的運(yùn)算框架內(nèi)，交易網(wǎng)絡(luò)被簡(jiǎn)化表示為子圖鄰接矩陣，以Elliptic數(shù)據(jù)集中的交易圖 G=（V，E） 為核心，V匯聚了虛擬貨幣交易網(wǎng)絡(luò)中的各類節(jié)點(diǎn)， E 則刻畫了貨幣流動(dòng)的方向脈絡(luò)。節(jié)點(diǎn)特征方面，為每個(gè)節(jié)點(diǎn) i 定制了特征 x_i ，并通過矩陣 X_?N×D 統(tǒng)一承載所有節(jié)點(diǎn)的特征集合，其中 D 為特征維度， N 為節(jié)點(diǎn)總數(shù)。此外，還利用鄰接矩陣A全面捕捉圖結(jié)構(gòu)的信息，同時(shí)對(duì)于節(jié)點(diǎn)度的對(duì)角矩陣表示形式進(jìn)行了界定，即 ，增強(qiáng)圖結(jié)構(gòu)分析的能力。針對(duì)在 χ_t 時(shí)刻給定的圖及其鄰接矩陣A，靜態(tài)圖卷積網(wǎng)絡(luò)（GCN）的運(yùn)作機(jī)制可以理解為：將上一層的輸出直接作為第 l 層的輸人數(shù)據(jù)，并結(jié)合鄰接矩陣A與第l-1層的特征向量 H_t^l-1 ，共同參與到GCN的運(yùn)算過程中。隨后，第 l 層的輸出經(jīng)過權(quán)重矩陣 W_t^l 的處理，被轉(zhuǎn)換為新的特征矩陣。具體的轉(zhuǎn)換過程通過以下計(jì)算公式來實(shí)現(xiàn)：

式中： Φ_t 為當(dāng)前時(shí)間步長； ξ_l 為GCN層數(shù)； D 為 A 的度矩陣； W_t^l-1 為上一層特征權(quán)重； 為將鄰接矩陣 A 與單位矩陣相加得到的結(jié)果，可以將節(jié)點(diǎn)自連接特征巧妙地融入模型架構(gòu)中； H_t^l-1 和 H_t^l 分別為 H_t 矩陣第l-1層、第層輸出結(jié)果；ReLU表示激活函數(shù)。

在網(wǎng)絡(luò)環(huán)境中， Φ_t 時(shí)刻的節(jié)點(diǎn)狀態(tài)特性通過一個(gè)特征矩陣作為第一層輸入被引入，此矩陣的每一行精心編排了各個(gè)獨(dú)立節(jié)點(diǎn)的 n 維特征向量，詳盡描繪了節(jié)點(diǎn)的多維度屬性。當(dāng)模型深入至第1層處理時(shí)，一個(gè)核心操作被執(zhí)行，即節(jié)點(diǎn)鄰域信息的整合與聚合。這一過程不僅豐富了每個(gè)節(jié)點(diǎn)的表示，還巧妙地捕捉了圖在當(dāng)前時(shí)間步長下的空間結(jié)構(gòu)特性。

3.2參數(shù)更新

在虛擬貨幣交易反洗錢場(chǎng)景中，LSTM憑借其獨(dú)特的更新門與細(xì)胞狀態(tài)機(jī)制，能更好地平衡歷史交易信息的留存與新交易數(shù)據(jù)的動(dòng)態(tài)增長問題，在時(shí)序建模上更具優(yōu)勢(shì)。故在圖卷積網(wǎng)絡(luò)（GCN）中，引入LSTM模型實(shí)現(xiàn)權(quán)重共享，從而增強(qiáng)模型的泛化能力，使其有效學(xué)習(xí)圖中隨時(shí)間變化的動(dòng)態(tài)特性。權(quán)重共享機(jī)制允許模型以相同參數(shù)處理連續(xù)序列特征，幫助模型精準(zhǔn)捕捉不同特征間的連續(xù)性關(guān)聯(lián)，從而減少對(duì)人工規(guī)則的依賴。

3.3RGCN模型的圖嵌入層設(shè)計(jì)

在虛擬貨幣交易模式識(shí)別的領(lǐng)域內(nèi)，正面臨著洗錢活動(dòng)日益趨向小型化與規(guī)?；觿〉碾p重壓力；同時(shí)，樣本類別的不均衡分布以及特征辨識(shí)度較低的問題，成為了提升識(shí)別準(zhǔn)確性與召回率的主要障礙，這些挑戰(zhàn)顯著加大了有效識(shí)別洗錢行為的難度]。為解決這些問題，RGCN模型創(chuàng)新性地引入動(dòng)態(tài)卷積層捕捉結(jié)構(gòu)動(dòng)態(tài)性，并融合時(shí)間卷積層以整合時(shí)序與結(jié)構(gòu)特征[12]。本文在此基礎(chǔ)上設(shè)計(jì)圖嵌入層，通過時(shí)間卷積層捕獲交易時(shí)序信息，利用結(jié)構(gòu)卷積層聚合圖結(jié)構(gòu)信息，再將兩者在節(jié)點(diǎn)特征矩陣中有效融合。進(jìn)一步地，采用Boosting策略將隨機(jī)森林與GCN模型結(jié)合，利用GCN的空間采樣能力進(jìn)行特征矩陣的轉(zhuǎn)換與融合，旨在通過集成學(xué)習(xí)減少偏差，解決洗錢交易識(shí)別召回率低的問題。圖3為圖嵌入層架構(gòu)設(shè)計(jì)。

圖3圖嵌入層架構(gòu)設(shè)計(jì)

通過TCN模型、LSTM-GCN演化模型，在虛擬貨幣交易網(wǎng)絡(luò)中可以有效整合時(shí)間卷積層與結(jié)構(gòu)卷積層，分別提取并融合時(shí)序特征與結(jié)構(gòu)特征。隨后在RGCN的圖嵌入層內(nèi)，這些融合的信息被進(jìn)一步整合。融合圖結(jié)構(gòu)信息和時(shí)序動(dòng)態(tài)，并引入GCN圖嵌入機(jī)制，這一過程實(shí)現(xiàn)了對(duì)復(fù)雜信息的壓縮，最終生成了一個(gè)緊湊且富含信息的低維向量空間。將GCN提取的原始特征、特征向量進(jìn)行拼接，公式如下：

式中采用Concat操作實(shí)現(xiàn)特征拼接，此優(yōu)化策略顯著增強(qiáng)了GCN模型在保留原鄰域節(jié)點(diǎn)特征方面的能力。拼接后的特征集因融合了多元信息，其精度得以提升，為后續(xù)的反洗錢節(jié)點(diǎn)分類任務(wù)奠定了堅(jiān)實(shí)基礎(chǔ)。本文中采用scikit-learn庫的隨機(jī)森林算法進(jìn)行分類，使用的隨機(jī)森林配置包括55個(gè)最大特征以及55個(gè)估計(jì)量參與決策。

4實(shí)驗(yàn)與結(jié)果分析

4.1實(shí)驗(yàn)數(shù)據(jù)集準(zhǔn)備

Elliptic公司專注于虛擬貨幣交易追蹤的數(shù)據(jù)分析，其核心使命在于有效遏制加密貨幣被不法分子利用于非法活動(dòng)的趨勢(shì)。本研究使用比特幣交易圖形網(wǎng)絡(luò)數(shù)據(jù)集作為樣本集，全面驗(yàn)證虛擬貨幣反洗錢模型的有效性與實(shí)用性。數(shù)據(jù)集包含21萬條交易與支付數(shù)據(jù)，Elliptic公司為每筆交易設(shè)計(jì)了166個(gè)特征指標(biāo)，其中含獨(dú)特非公開數(shù)據(jù)元素?；诋?dāng)前比特幣交易網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)特點(diǎn)，構(gòu)建了精確的有向圖模型以進(jìn)行深入分析。截至2023年，全球比特幣交易網(wǎng)絡(luò)已擴(kuò)展到驚人的規(guī)模，包含12條核心交易路徑及4.1億個(gè)礦工節(jié)點(diǎn)信息。而在Elliptic公司精心整理的數(shù)據(jù)集中，發(fā)現(xiàn)了4.2萬條明確標(biāo)注為合法的交易記錄，以及5000條被明確標(biāo)記為非法的交易記錄。

4.2 評(píng)估方法

在機(jī)器學(xué)習(xí)分類任務(wù)的評(píng)估框架內(nèi)，對(duì)模型能力進(jìn)行審視時(shí)，需要采用一系列精確性指標(biāo)，具體而言，涵蓋了準(zhǔn)確率（Accuracy）、精確率（Precision）及召回率（Recall），但這些單一指標(biāo)均存在局限性，不足以全面評(píng)判模型表現(xiàn)。為此， F₁ 分?jǐn)?shù)應(yīng)運(yùn)而生，它通過整合召回率與精確率的優(yōu)點(diǎn)，為模型能力的評(píng)估提供了一個(gè)更全面且合理的標(biāo)準(zhǔn)。表1所示為真實(shí)值與預(yù)測(cè)值的混淆矩陣。

表1真實(shí)值與預(yù)測(cè)值的混淆矩陣

表1中：TP表示正類預(yù)測(cè)正確數(shù)；FN表示正類誤判為負(fù)類數(shù)；FP表示負(fù)類誤判為正類數(shù)；TN表示負(fù)類預(yù)測(cè)正確數(shù)。Accuracy、Precision、Recall、 F₁ 計(jì)算公式如下：

在分類器中因選擇不同的閾值，召回率、精確率會(huì)有矛盾情況出現(xiàn)，而 F₁ 用來平衡召回率、精確率，并能對(duì)分類器進(jìn)行良好評(píng)估。

4.3實(shí)驗(yàn)設(shè)備及實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)設(shè)備包括 16vCPU ；內(nèi)存為62GB；GPU/FPGA為2*NVIDIAT4;處理器主頻/睿頻為 2.6GHz/ 2.7GHz 。表2為實(shí)驗(yàn)環(huán)境。

表2實(shí)驗(yàn)環(huán)境

4.4實(shí)驗(yàn)結(jié)果

在數(shù)據(jù)集方面，EIliptic數(shù)據(jù)集涵蓋49個(gè)時(shí)間步長，其中第43個(gè)時(shí)間步長標(biāo)志著某一比特幣交易市場(chǎng)的關(guān)閉。通過實(shí)驗(yàn)觀察發(fā)現(xiàn)，市場(chǎng)關(guān)閉后模型在捕捉新非法交易方面顯著困難。因此，在后續(xù)的時(shí)序模型應(yīng)用中僅選用了前43個(gè)時(shí)間步長的數(shù)據(jù)。在模型選擇上，采用了EvolveGCN中的LSTM和GRU變體，其中LSTM側(cè)重于圖結(jié)構(gòu)信息的捕捉，而GRU則更側(cè)重于節(jié)點(diǎn)內(nèi)容信息的處理。通過對(duì)這兩種變體的集成方法進(jìn)行仿真，驗(yàn)證圖在虛擬貨幣反洗錢中結(jié)構(gòu)信息與節(jié)點(diǎn)內(nèi)容的重要性。靜態(tài)網(wǎng)絡(luò)與動(dòng)態(tài)圖卷積網(wǎng)絡(luò)精度對(duì)比結(jié)果見表3。

表3靜態(tài)網(wǎng)絡(luò)與動(dòng)態(tài)圖卷積網(wǎng)絡(luò)精度對(duì)比

由表3可知，相比于常規(guī) GCN+RF 模型，EvolveGCN-GRU +RF EvolveGCN-LSTM +RF 精度均有所提升。動(dòng)態(tài)圖卷積網(wǎng)絡(luò)精確率最好的是EvolveGCN-GRU +RF ，精確率為 87.3% 。召回率最好的是EvolveGCN-LSTM+RF，為67.6% ，較GRU變體提升 4.4% 。 F₁ 值以EvolveGCN-LSTM +RI 動(dòng)態(tài)圖卷積網(wǎng)絡(luò)為最高水平，為 75.7% 。LSTM動(dòng)態(tài)圖卷積網(wǎng)絡(luò)對(duì)召回率的提升高于其他模型，而GRU動(dòng)態(tài)圖卷積網(wǎng)絡(luò)側(cè)重精確率提高。時(shí)間卷積層與圖嵌入層的融合應(yīng)用，旨在提升模型在精確率上的表現(xiàn)。然而鑒于當(dāng)前虛擬貨幣反洗錢領(lǐng)域的實(shí)際需求，即將更多潛在嫌疑罪犯識(shí)別出來并納入監(jiān)控范疇，模型設(shè)計(jì)需進(jìn)一步聚焦于增強(qiáng)召回率，滿足虛擬貨幣反洗錢監(jiān)管需求[13]。

5結(jié)論

本文基于人工智能大數(shù)據(jù)技術(shù)，對(duì)其在治理虛擬貨幣刑事犯罪方面的應(yīng)用進(jìn)行了研究，得出如下結(jié)論。

1）在RGCN模型圖嵌入層設(shè)計(jì)中，為了緩解卷積操作中可能引發(fā)的關(guān)鍵數(shù)據(jù)信息損失問題，采取了一種新的策略，即將原始特征與各時(shí)間步長的特征進(jìn)行精細(xì)的拼接融合，采用圖嵌入技術(shù)深入挖掘并提取出更高維度的特征信息；再利用隨機(jī)森林的決策樹模型在圖嵌人層進(jìn)行集成學(xué)習(xí)，提高RGCN模型整體識(shí)別精度。

2）具有三層結(jié)構(gòu)的RGCN模型可降低時(shí)空開銷，結(jié)合時(shí)間與空間特征的融合策略，顯著提升模型的召回率性能。特別地，LSTM動(dòng)態(tài)圖卷積網(wǎng)絡(luò)在這一方面展現(xiàn)出卓越優(yōu)勢(shì)，召回率提升效果遠(yuǎn)優(yōu)于其他多種模型。而GRU動(dòng)態(tài)圖卷積網(wǎng)絡(luò)側(cè)重于精確率的提高。

3）時(shí)間卷積層與圖嵌入層的結(jié)合，能夠有效提升模型的精確率。在當(dāng)前的虛擬貨幣反洗錢場(chǎng)景中，鑒于對(duì)潛在高風(fēng)險(xiǎn)個(gè)體的重點(diǎn)監(jiān)控需求，更關(guān)注召回率的提高，從而滿足虛擬貨幣反洗錢監(jiān)管需求。

參考文獻(xiàn)

[1]王曉偉.虛擬貨幣洗錢犯罪打擊難點(diǎn)與治理對(duì)策[J].人民論壇，2022（24）：112-114.

[2]郭文舉，霍麗霞，伍洲，等.涉網(wǎng)新型犯罪中虛擬貨幣追蹤及調(diào)查分析關(guān)鍵技術(shù)研究[J].刑事技術(shù)，2025，50（1）：56-60.

[3]段煉，黨蘭學(xué)，胡濤，等.融合歷史犯罪數(shù)據(jù)的疑犯社會(huì)活動(dòng)位置預(yù)測(cè)[J].地球信息科學(xué)學(xué)報(bào)，2018，20（7）：929-938.

[4]李新光.基于智能優(yōu)化算法的犯罪情報(bào)預(yù)測(cè)方法研究[D].馬鞍山：安徽工業(yè)大學(xué)，2018.

[5]謝玲.電信網(wǎng)絡(luò)詐騙犯罪資金流查控研究[J].中國人民公安大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，27（2）：47-55.

[6]崔用祥.基于隨機(jī)森林的城市犯罪空間分布密度建模與影響因素探析：以上海市為例[D].上海：華東師范大學(xué)，2018

[7]王典.我國打擊虛擬貨幣跨境洗錢的難點(diǎn)與對(duì)策[J].河北金融，2022（11）：50-53.

[8]曾晶，劉大暢，孫石峰.基于人工智能技術(shù)的區(qū)塊鏈虛擬貨幣交易檢測(cè)機(jī)制[J].郵電設(shè)計(jì)技術(shù)，2021（8）：70-73.

[9]邱明月，王新猛，唐松澤.基于人工神經(jīng)網(wǎng)絡(luò)模型的搶劫犯罪微觀研究[J].信息技術(shù)與信息化，2018，223（10）：140-143.

[10]管鳳旭，張涵宇，路斯棋，等.擴(kuò)散模型在計(jì)算機(jī)視覺領(lǐng)域的研究現(xiàn)狀[J].智能系統(tǒng)學(xué)報(bào)，2025，20（2）：265-282.

[11]吳云，薛宏蛟，朱瑋，等.虛擬貨幣洗錢問題研究：固有風(fēng)險(xiǎn)、類型分析與監(jiān)管應(yīng)對(duì)[J].金融監(jiān)管研究，2021（10）：1-19.

[12]李夢(mèng)，梁廣俊，印杰，等.以太坊非法交易檢測(cè)方法綜述[J].信息安全學(xué)報(bào)，2024，9（5）：189-216.

[13]高昊昱，曹春杰，白伊瑞，等.區(qū)塊鏈安全監(jiān)管研究綜述[J].通信學(xué)報(bào)，2025，46（4）：49-70.

作者簡(jiǎn)介：劉歡（1987—），男，富平人，博士研究生，講師，研究方向?yàn)榇髷?shù)據(jù)治理。肖蔚（1989—），女，西安人，副科長，研究方向?yàn)橹腔劬瘎?wù)。