人工智能大數據技術在治理虛擬貨幣刑事犯罪中的應用研究

中圖分類號：TN915.08-34；TP39 文獻標識碼：A 文章編號：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境中流通的數字媒介，不僅支持服務與商品的便捷交換1，還具有獨特的交易特性。然而，它并非由官方貨幣機構發行，缺乏法定虛擬貨幣作為在特定虛擬空間內以數字符號形式貨幣的強制性和法償性特征，因此在嚴格意義上并不等同于傳統貨幣。在全球經濟日益融合的背景下，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注。這些組織利用各國對虛擬貨幣監管策略的差異，巧妙地將其用作洗錢等非法活動的工具，進一步加劇了金融犯罪的風險3。在傳統反洗錢策略中，客戶識別和可疑交易識別最重要，可運用基于聚類孤立點挖掘算法、基于距離聚類算法、網格聚類算法分析可疑洗錢行為4。文獻[5]提出一種數據挖掘中聚類模型，用該模型預測反洗錢領域中賬戶間交易情況。近年來，虛擬貨幣領域中的刑事犯罪活動頻繁涌現，成為了社會安全的一大隱患，亟需密切關注并采取行動。因此，本文聚焦于人工智能與大數據技術的融合應用，深入研究它們在打擊和防范虛擬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險的主要類型

涉及虛擬貨幣的刑事犯罪風險類型包括：以虛擬貨幣為侵財行為對象的犯罪、以虛擬貨幣投資等為外衣實施的詐騙類犯罪、利用虛擬貨幣交易實施的洗錢類犯罪、以虛擬貨幣為幌子的組織領導傳銷活動。我國雖未官方認可虛擬貨市交易，但其內在價值與市場流通的廣泛性不容忽視。司法實踐中，虛擬貨幣常成為詐騙、盜竊等財產犯罪的標的物。伴隨市場經濟的蓬勃發展，以創新為幌子的違法犯罪活動層出不窮，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。區塊鏈、虛擬貨幣及第四方支付等互聯網新興技術雖帶來了便利，但也因其虛擬性、隱蔽性等特點，為洗錢犯罪提供了溫床，且與網絡詐騙、賭博、販毒等犯罪活動交織緊密。此類犯罪往往借助虛擬貨幣的隱蔽性和專業性，構建復雜的傳銷網絡，利用互聯網平臺和軟件大肆宣傳虛假的盈利模式和獎勵機制，誘騙并廣泛招募下線成員。

2基于動態圖卷積網絡的RGCN模型總體設計

本文針對虛擬貨幣洗錢數據集進行構圖步驟設計，并提出一種基于動態圖卷積網絡的增強識別模型（Relational Graph Convolutional Network，RGCN）。

2.1構圖步驟設計

Elliptic虛擬貨幣交易數據集作為目前公開的最大規模反洗錢標記數據集，不僅在實際應用中展現出極高的價值，其算法檢測的權威性也備受認可。立足于這一基礎，本文旨在嚴謹、系統地對RGCN模型在虛擬貨幣交易真實環境中的應用進行性能評估與精度校驗。采用精確的數據處理方法，深入細致地讀取Elliptic數據集的特征數據，并依據數據集劃分的標準（訓練集與驗證集），實現了基礎及完整特征數據向CSR_MATRIX編碼的轉換，這種方式顯著加速了圖構建過程中的計算速度，降低了整體時間消耗。鑒于金融數據的時間敏感性，在虛擬貨幣交易網絡中，每一筆交易都附有精確的時間戳，它標志著交易在區塊鏈上的確認時刻?；谶@一特性，本文在EIliptic數據集中，依據平均時間間隔劃分了49個時間步長，通過初始化ID生成ID字典，結合ID字典進行邊信息讀取，生成邊列表，也就是將節點在ID映射。為了將鄰接矩陣轉化為對稱矩陣并增設自環，將原始的鄰接矩陣轉化為對稱形式，同時在對角線上添加1來代表每個節點的自環，從而生成一個全新的、包含自環的鄰接矩陣。在此之后基于訓練、驗證及測試的不同要求，審慎地確定了一個合適的時間步長。通過驗證流程構建出專門用于識別非法交易的鄰接圖矩陣。EIliptic數據集構圖方案如圖1所示。

2.2 模型設計

相較于傳統的GCN-RNN聯合訓練模式，GCN-RNN模式在捕捉圖結構隨時間演變的動態特征時存在明顯的局限性，對于虛擬貨幣交易網絡中節點數量與連接關系的動態變化，其敏感度相對較低8。由于交易數據本身時序特征難以直接獲取，當前動態圖卷積網絡如EvolveGCN，在識別非法交易時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算時間成本。隨著洗錢手段的專業化與國際化，洗錢活動逐漸呈現小規模、多節點、短期貨幣轉移的模式，傳統圖結構特征提取方法難以區分非法與正常交易。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，導致圖卷積網絡（GCN）模型預測效果不理想。

在時間維度下，本文對虛擬貨幣交易網絡的數據進行了精細化處理，旨在將這些數據轉化為動態圖特征提取的任務，從而精準捕捉網絡結構隨時間發生的微妙變化。為實現這一目標，精心設計和實現了RGCN模型的三層架構。在該模型中，結構卷積層參考EvolveGCN演化機制設計，用于捕獲圖譜結構的動態變化；與EvolveGCN的兩層演化架構不同，本文結構卷積層只使用LSTM-GCN單層設計作為頂層。同時，RGCN模型中還設計時間卷積層，通過融合因果卷積與殘差網絡來綜合學習時空維度，以提升卷積網絡性能并提高召回率。針對小型化、多節點的洗錢趨勢，融入圖嵌入層，挖掘時空向量圖結構并提煉深層特征。采用決策樹分類與特征增強優化模型，提升非法交易識別精度。圖2為RGCN動態圖卷積網絡模型架構圖。

圖2RGCN動態圖卷積網絡模型架構圖

在圖2中，T為時間步長，模型由結構卷積層、時間卷積層、圖嵌入層組成。第1層為結構卷積層，其作用是提取圖數據節點結構特征，在不同時間步長下，通過LSTM對GCN的輸人參數進行控制。為應對GCN模型參數動態更新挑戰，并深人聚合節點局部結構信息，精準描繪交易網絡圖譜的節點鄰域細節，創新性地將動態更新機制融人結構卷積層，從而顯著增強模型對節點結構動態變遷的敏感性。同時，利用時間卷積層的強大功能，精確捕捉結構特征向量中的時序信息，進一步提升模型的預測準確性。作為輸出層的圖嵌入層，作用是整合歷史與當前結構信息，并與原始特征融合，接著，使用隨機森林分類器成功降低因樣本類別不平衡所帶來的預測誤差，從而實現模型精度的進一步優化[0]。

3RGCN模型的結構卷積層設計

設計RGCN模型的結構卷積層時借鑒了EvolveGCN的參數更新機制，創新性地應對節點數量的動態變化輸入，以此增強模型對圖結構變動及節點數量波動的敏銳捕捉能力。在RGCN模型的構建過程中，卷積層部分巧妙地融合了一層動態卷積，可將模型時空開銷降低，通過更新RNN機制進行最適合虛擬貨幣反洗錢場景的LSTM模型的選取，并解決隨圖結構變化引起的模型參數動態更新問題。

3.1 空間采樣

結構卷積層專注于從隨時間變化的虛擬貨幣交易網絡圖中提取結構變化特征。GCN模型的特點在于，利用拉普拉斯矩陣的特征向量與特征值深入剖析圖結構，挖掘其深層含義。針對數據集的時間步長特性，采用序列化的策略，將動態圖分解為多個靜態圖序列，巧妙地實現了交易數據向圖數據的時序映射。在GCN模型的運算框架內，交易網絡被簡化表示為子圖鄰接矩陣，以Elliptic數據集中的交易圖 G=（V，E） 為核心，V匯聚了虛擬貨幣交易網絡中的各類節點， E 則刻畫了貨幣流動的方向脈絡。節點特征方面，為每個節點 i 定制了特征 x_i ，并通過矩陣 X_?N×D 統一承載所有節點的特征集合，其中 D 為特征維度， N 為節點總數。此外，還利用鄰接矩陣A全面捕捉圖結構的信息，同時對于節點度的對角矩陣表示形式進行了界定，即 ，增強圖結構分析的能力。針對在 χ_t 時刻給定的圖及其鄰接矩陣A，靜態圖卷積網絡（GCN）的運作機制可以理解為：將上一層的輸出直接作為第 l 層的輸人數據，并結合鄰接矩陣A與第l-1層的特征向量 H_t^l-1 ，共同參與到GCN的運算過程中。隨后，第 l 層的輸出經過權重矩陣 W_t^l 的處理，被轉換為新的特征矩陣。具體的轉換過程通過以下計算公式來實現：

式中： Φ_t 為當前時間步長； ξ_l 為GCN層數； D 為 A 的度矩陣； W_t^l-1 為上一層特征權重； 為將鄰接矩陣 A 與單位矩陣相加得到的結果，可以將節點自連接特征巧妙地融入模型架構中； H_t^l-1 和 H_t^l 分別為 H_t 矩陣第l-1層、第層輸出結果；ReLU表示激活函數。

在網絡環境中， Φ_t 時刻的節點狀態特性通過一個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獨立節點的 n 維特征向量，詳盡描繪了節點的多維度屬性。當模型深入至第1層處理時，一個核心操作被執行，即節點鄰域信息的整合與聚合。這一過程不僅豐富了每個節點的表示，還巧妙地捕捉了圖在當前時間步長下的空間結構特性。

3.2參數更新

在虛擬貨幣交易反洗錢場景中，LSTM憑借其獨特的更新門與細胞狀態機制，能更好地平衡歷史交易信息的留存與新交易數據的動態增長問題，在時序建模上更具優勢。故在圖卷積網絡（GCN）中，引入LSTM模型實現權重共享，從而增強模型的泛化能力，使其有效學習圖中隨時間變化的動態特性。權重共享機制允許模型以相同參數處理連續序列特征，幫助模型精準捕捉不同特征間的連續性關聯，從而減少對人工規則的依賴。

3.3RGCN模型的圖嵌入層設計

在虛擬貨幣交易模式識別的領域內，正面臨著洗錢活動日益趨向小型化與規模化加劇的雙重壓力；同時，樣本類別的不均衡分布以及特征辨識度較低的問題，成為了提升識別準確性與召回率的主要障礙，這些挑戰顯著加大了有效識別洗錢行為的難度]。為解決這些問題，RGCN模型創新性地引入動態卷積層捕捉結構動態性，并融合時間卷積層以整合時序與結構特征[12]。本文在此基礎上設計圖嵌入層，通過時間卷積層捕獲交易時序信息，利用結構卷積層聚合圖結構信息，再將兩者在節點特征矩陣中有效融合。進一步地，采用Boosting策略將隨機森林與GCN模型結合，利用GCN的空間采樣能力進行特征矩陣的轉換與融合，旨在通過集成學習減少偏差，解決洗錢交易識別召回率低的問題。圖3為圖嵌入層架構設計。

圖3圖嵌入層架構設計

通過TCN模型、LSTM-GCN演化模型，在虛擬貨幣交易網絡中可以有效整合時間卷積層與結構卷積層，分別提取并融合時序特征與結構特征。隨后在RGCN的圖嵌入層內，這些融合的信息被進一步整合。融合圖結構信息和時序動態，并引入GCN圖嵌入機制，這一過程實現了對復雜信息的壓縮，最終生成了一個緊湊且富含信息的低維向量空間。將GCN提取的原始特征、特征向量進行拼接，公式如下：

式中采用Concat操作實現特征拼接，此優化策略顯著增強了GCN模型在保留原鄰域節點特征方面的能力。拼接后的特征集因融合了多元信息，其精度得以提升，為后續的反洗錢節點分類任務奠定了堅實基礎。本文中采用scikit-learn庫的隨機森林算法進行分類，使用的隨機森林配置包括55個最大特征以及55個估計量參與決策。

4實驗與結果分析

4.1實驗數據集準備

Elliptic公司專注于虛擬貨幣交易追蹤的數據分析，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的趨勢。本研究使用比特幣交易圖形網絡數據集作為樣本集，全面驗證虛擬貨幣反洗錢模型的有效性與實用性。數據集包含21萬條交易與支付數據，Elliptic公司為每筆交易設計了166個特征指標，其中含獨特非公開數據元素。基于當前比特幣交易網絡的復雜結構特點，構建了精確的有向圖模型以進行深入分析。截至2023年，全球比特幣交易網絡已擴展到驚人的規模，包含12條核心交易路徑及4.1億個礦工節點信息。而在Elliptic公司精心整理的數據集中，發現了4.2萬條明確標注為合法的交易記錄，以及5000條被明確標記為非法的交易記錄。

4.2 評估方法

在機器學習分類任務的評估框架內，對模型能力進行審視時，需要采用一系列精確性指標，具體而言，涵蓋了準確率（Accuracy）、精確率（Precision）及召回率（Recall），但這些單一指標均存在局限性，不足以全面評判模型表現。為此， F₁ 分數應運而生，它通過整合召回率與精確率的優點，為模型能力的評估提供了一個更全面且合理的標準。表1所示為真實值與預測值的混淆矩陣。

表1真實值與預測值的混淆矩陣

表1中：TP表示正類預測正確數；FN表示正類誤判為負類數；FP表示負類誤判為正類數；TN表示負類預測正確數。Accuracy、Precision、Recall、 F₁ 計算公式如下：

在分類器中因選擇不同的閾值，召回率、精確率會有矛盾情況出現，而 F₁ 用來平衡召回率、精確率，并能對分類器進行良好評估。

4.3實驗設備及實驗環境

本文實驗設備包括 16vCPU ；內存為62GB；GPU/FPGA為2*NVIDIAT4;處理器主頻/睿頻為 2.6GHz/ 2.7GHz 。表2為實驗環境。

表2實驗環境

4.4實驗結果

在數據集方面，EIliptic數據集涵蓋49個時間步長，其中第43個時間步長標志著某一比特幣交易市場的關閉。通過實驗觀察發現，市場關閉后模型在捕捉新非法交易方面顯著困難。因此，在后續的時序模型應用中僅選用了前43個時間步長的數據。在模型選擇上，采用了EvolveGCN中的LSTM和GRU變體，其中LSTM側重于圖結構信息的捕捉，而GRU則更側重于節點內容信息的處理。通過對這兩種變體的集成方法進行仿真，驗證圖在虛擬貨幣反洗錢中結構信息與節點內容的重要性。靜態網絡與動態圖卷積網絡精度對比結果見表3。

表3靜態網絡與動態圖卷積網絡精度對比

由表3可知，相比于常規 GCN+RF 模型，EvolveGCN-GRU +RF EvolveGCN-LSTM +RF 精度均有所提升。動態圖卷積網絡精確率最好的是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 動態圖卷積網絡為最高水平，為 75.7% 。LSTM動態圖卷積網絡對召回率的提升高于其他模型，而GRU動態圖卷積網絡側重精確率提高。時間卷積層與圖嵌入層的融合應用，旨在提升模型在精確率上的表現。然而鑒于當前虛擬貨幣反洗錢領域的實際需求，即將更多潛在嫌疑罪犯識別出來并納入監控范疇，模型設計需進一步聚焦于增強召回率，滿足虛擬貨幣反洗錢監管需求[13]。

5結論

本文基于人工智能大數據技術，對其在治理虛擬貨幣刑事犯罪方面的應用進行了研究，得出如下結論。

1）在RGCN模型圖嵌入層設計中，為了緩解卷積操作中可能引發的關鍵數據信息損失問題，采取了一種新的策略，即將原始特征與各時間步長的特征進行精細的拼接融合，采用圖嵌入技術深入挖掘并提取出更高維度的特征信息；再利用隨機森林的決策樹模型在圖嵌人層進行集成學習，提高RGCN模型整體識別精度。

2）具有三層結構的RGCN模型可降低時空開銷，結合時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動態圖卷積網絡在這一方面展現出卓越優勢，召回率提升效果遠優于其他多種模型。而GRU動態圖卷積網絡側重于精確率的提高。

3）時間卷積層與圖嵌入層的結合，能夠有效提升模型的精確率。在當前的虛擬貨幣反洗錢場景中，鑒于對潛在高風險個體的重點監控需求，更關注召回率的提高，從而滿足虛擬貨幣反洗錢監管需求。

參考文獻

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

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

[3]段煉，黨蘭學，胡濤，等.融合歷史犯罪數據的疑犯社會活動位置預測[J].地球信息科學學報，2018，20（7）：929-938.

[4]李新光.基于智能優化算法的犯罪情報預測方法研究[D].馬鞍山：安徽工業大學，2018.

[5]謝玲.電信網絡詐騙犯罪資金流查控研究[J].中國人民公安大學學報（自然科學版），2021，27（2）：47-55.

[6]崔用祥.基于隨機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，2018

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

[8]曾晶，劉大暢，孫石峰.基于人工智能技術的區塊鏈虛擬貨幣交易檢測機制[J].郵電設計技術，2021（8）：70-73.

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

[10]管鳳旭，張涵宇，路斯棋，等.擴散模型在計算機視覺領域的研究現狀[J].智能系統學報，2025，20（2）：265-282.

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

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

[13]高昊昱，曹春杰，白伊瑞，等.區塊鏈安全監管研究綜述[J].通信學報，2025，46（4）：49-70.

作者簡介：劉歡（1987—），男，富平人，博士研究生，講師，研究方向為大數據治理。肖蔚（1989—），女，西安人，副科長，研究方向為智慧警務。