MixGuard: Menuju Deteksi dan Pemahaman Pencucian Uang melalui Mixer di Ethereum

Dataset tingkat kasus publik pertama dan kerangka deteksi tri-view untuk pencucian uang berbasis mixer

Qishuang Fu; Hang Zheng; Xihan Xiong; Joseph K. Liu; Yixin Liu; Shirui Pan; Qin Wang; Weiqing Wang; Zhipeng Wang; Tsz Hon Yuen· 2026· DOI 10.48550/arXiv.2609.27807

Masalah inti

Mixer seperti Tornado Cash dan Railgun melindungi privasi pengguna dengan menyembunyikan keterkaitan antara alamat deposit dan penarikan. Namun, properti yang sama disalahgunakan untuk mencuci dana ilegal. Penelitian anti pencucian uang (AML) yang ada tidak secara khusus menyasar pencucian uang melalui mixer, sementara penelitian tentang mixer berfokus pada deanonymization alih-alih mengidentifikasi transaksi terkait pencucian uang. Laporan publik masih terfragmentasi, sehingga tidak tersedia dataset tingkat kasus publik untuk pengukuran dan deteksi yang sistematis.Untuk mengisi kekosongan ini, penulis menyajikan studi komprehensif pertama tentang pencucian uang melalui mixer di Ethereum. Mereka membangun **MixLaunder**, dataset tingkat kasus publik pertama untuk pencucian uang melalui mixer, yang mencakup 27 kasus yang melibatkan Tornado Cash dan Railgun dari 2020 hingga 2025. Dataset ini melabeli 9.300 transaksi terkait pencucian uang dengan identitas kasus serta arus dana hulu dan hilir yang dapat diamati, termasuk deposit dengan total sekitar \$1,1 miliar. Dengan membandingkan transaksi ini dengan penggunaan mixer latar belakang, penulis mengidentifikasi lima strategi umum, y

Inovasi

Dalam evaluasi holdout tingkat kasus yang ketat, MixGuard mengungguli baseline representatif. Hasil kuantitatif utama meliputi:- **Presisi Deteksi:** 97,89\%- **Kemurnian Grup:** 98,73\%- **Cakupan:** Sepuluh grup teratas mencakup rata-rata 95,09\% transaksi setiap kasus.Hasil ini menunjukkan bahwa MixGuard secara efektif mendeteksi transaksi terkait pencucian uang dan mengelompokkannya ke dalam kasus yang koheren. Kemurnian grup yang tinggi menunjukkan bahwa pengelompokan akurat, dengan pencampuran transaksi dari kasus berbeda yang minimal. Metrik cakupan menunjukkan bahwa sepuluh grup teratas menangkap sebagian besar transaksi setiap kasus, sehingga sistem ini praktis untuk penerapan di dunia nyata.Analisis dataset mengungkap lima strategi pencucian uang yang umum, yang menunjukkan bahwa bukti pencucian uang mencakup konteks perilaku dan arus dana yang saling melengkapi. Aktivitas dalam kasus yang sama secara lokal rapat tetapi terhubung lemah antar ledakan, yang menimbulkan tantangan bagi deteksi. Analisis ini juga mengungkap kesenjangan cakupan dalam penyaringan risiko di sisi mixer dan heuristik deanonymization yang representatif.

Mixer seperti Tornado Cash dan Railgun melindungi privasi pengguna dengan menyembunyikan keterkaitan antara alamat deposit dan penarikan. Namun, properti yang sama disalahgunakan untuk mencuci dana ilegal. Penelitian anti pencucian uang (AML) yang ada tidak secara khusus menyasar pencucian uang melalui mixer, sementara penelitian tentang mixer berfokus pada deanonymization alih-alih mengidentifikasi transaksi terkait pencucian uang. Laporan publik masih terfragmentasi, sehingga tidak tersedia dataset tingkat kasus publik untuk pengukuran dan deteksi yang sistematis.

Untuk mengisi kekosongan ini, penulis menyajikan studi komprehensif pertama tentang pencucian uang melalui mixer di Ethereum. Mereka membangun **MixLaunder**, dataset tingkat kasus publik pertama untuk pencucian uang melalui mixer, yang mencakup 27 kasus yang melibatkan Tornado Cash dan Railgun dari 2020 hingga 2025. Dataset ini melabeli 9.300 transaksi terkait pencucian uang dengan identitas kasus serta arus dana hulu dan hilir yang dapat diamati, termasuk deposit dengan total sekitar \$1,1 miliar. Dengan membandingkan transaksi ini dengan penggunaan mixer latar belakang, penulis mengidentifikasi lima strategi umum, yang menunjukkan bahwa bukti pencucian uang mencakup konteks perilaku dan arus dana yang saling melengkapi, sementara aktivitas dalam kasus yang sama secara lokal rapat tetapi terhubung lemah antar ledakan. Analisis ini lebih lanjut mengungkap kesenjangan cakupan dalam penyaringan risiko di sisi mixer dan heuristik deanonymization yang representatif.

Mengapa penting

Makalah ini menyajikan studi pengukuran dan deteksi sistematis pertama tentang pencucian uang melalui mixer di Ethereum. Dataset MixLaunder mengisi kesenjangan kritis dengan menyediakan sumber daya tingkat kasus yang publik bagi peneliti dan praktisi. Identifikasi lima strategi pencucian uang yang umum memberikan wawasan tentang bagaimana aktor ilegal menyalahgunakan mixer. Temuan bahwa aktivitas dalam kasus yang sama secara lokal rapat tetapi terhubung lemah antar ledakan menunjukkan bahwa sistem deteksi harus mempertimbangkan pola lokal dan global. MixGuard mengatasi hal ini melalui pembelajaran representasi tri-view, yang menangkap konteks perilaku dan arus dana yang saling melengkapi. Kesenjangan cakupan dalam penyaringan risiko di sisi mixer dan heuristik deanonymization menyoroti perlunya alat yang lebih baik. Presisi dan kemurnian grup MixGuard yang tinggi menjadikannya solusi yang menjanjikan untuk deteksi tingkat transaksi dan pengelompokan sadar kasus. Penelitian selanjutnya dapat memperluas dataset ke mixer dan blockchain lain, serta mengeksplorasi ketahanan adversarial. Penulis juga mencatat pertimbangan etis dalam menangani data sensitif. Secara ringkas, karya ini memajukan pemahaman tentang pencucian uang melalui mixer dan menyediakan kerangka deteksi yang praktis, yang berkontribusi pada upaya yang lebih luas melawan kejahatan keuangan di ekosistem terdesentralisasi.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…