Overview of cryptocurrency regulatory technologies research

doi:10.11772/j.issn.1001-9081.2022111694

Abstract

Abstract:

With the help of blockchain and other emerging technologies， cryptocurrencies are decentralized， autonomous and cross-border. Research on cryptocurrency regulatory technologies is not only helpful to fight criminal activities based on cryptocurrencies， but also helpful to provide feasible supervision schemes for the expansion of blockchain technologies in other fields. Firstly， based on the application characteristics of cryptocurrency， the Generation， Exchange and Circulation （GEC） cycle theory of cryptocurrency was defined and elaborated. Then， the frequent international and domestic crimes based on cryptocurrencies were analyzed in detail， and the research status of cryptocurrency security supervision technologies in all three stages was investigated and surveyed as key point. Finally， the cryptocurrency regulatory platform ecology systems and current challenges faced by the regulatory technologies were summarized， and the future research directions of cryptocurrency regulatory technologies were prospected in order to provide reference for subsequent research.

Key words: blockchain, cryptocurrency, security supervision, decentralization, autonomous, cross-border

摘要：

借助区块链等新兴技术，加密数字货币呈现去中心化、自治化、跨界化的特点。研究加密数字货币的监管技术不仅有助于打击基于加密数字货币的犯罪活动，而且可以为区块链技术在其他领域的扩展提供可行的监管方案。首先，基于加密数字货币的应用特点，定义并阐述了加密数字货币产生、兑换和流通（GEC）周期理论；其次，详细分析了国内外频发的基于加密数字货币的犯罪事件，并重点介绍了加密数字货币在每个周期中的安全监管技术的研究现状；最后，总结了加密数字货币的监管平台生态体系以及监管技术现在面临的挑战，并展望了未来加密数字货币监管的研究方向。

关键词: 区块链, 加密数字货币, 安全监管, 去中心化, 自治化, 跨界化

CLC Number:

TP311.13

Jiaxin WANG, Jiaqi YAN, Qian’ang MAO. Overview of cryptocurrency regulatory technologies research[J]. Journal of Computer Applications, 2023, 43(10): 2983-2995.

王佳鑫, 颜嘉麒, 毛谦昂. 加密数字货币监管技术研究综述[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 2983-2995.

Figures/Tables 4

References 125

1	MUKHOPADHYAY U， SKJELLUM A， HAMBOLU O， et al. A brief survey of cryptocurrency systems［C］// Proceedings of the 14th Annual Conference on Privacy， Security and Trust. Piscataway： IEEE， 2016： 745-752. 10.1109/pst.2016.7906988
2	LIU Y， TSYVINSKI A， WU X. Common risk factors in cryptocurrency［J］. The Journal of Finance， 2022， 77（2）： 1133-1177. 10.1111/jofi.13119
3	RAMADOSS R. Blockchain technology： an overview［J］. IEEE Potentials， 2022， 41（6）： 6-12. 10.1109/mpot.2022.3208395
4	KHER R， TERJESEN S， LIU C. Blockchain， Bitcoin， and ICOs： a review and research agenda［J］. Small Business Economics， 2021， 56（4）： 1699-1720. 10.1007/s11187-019-00286-y
5	BROWN S D. Cryptocurrency and criminality： the Bitcoin opportunity［J］. The Police Journal， 2016， 89（4）： 327-339. 10.1177/0032258x16658927
6	YOUSAF H， KAPPOS G， MEIKLEJOHN S. Tracing transactions across cryptocurrency ledgers［C］// Proceedings of the 28th USENIX Security Symposium. Berkeley： USENIX Association， 2019： 837-850.
7	CARVALHO C E， PIRES D A， ARTIOLI M， et al. Cryptocurrencies： technology， initiatives of banks and central banks， and regulatory challenges［J］. Economia e Sociedade， 2021， 30（2）： 467-496. 10.1590/1982-3533.2021v30n2art08
8	HELLANI H， SAMHAT A E， CHAMOUN M， et al. On blockchain technology： overview of Bitcoin and future insights［C］// Proceedings of the 2018 IEEE International Multidisciplinary Conference on Engineering Technology. Piscataway： IEEE， 2018： 1-8. 10.1109/imcet.2018.8603029
9	OSTERN N K， RIEDEL J. Know-Your-Customer （KYC） requirements for initial coin offerings： toward designing a compliant-by-design KYC-system based on blockchain technology［J］. Business and Information Systems Engineering， 2021， 63（5）： 551-567. 10.1007/s12599-020-00677-6
10	LI X， JIANG P， CHEN T， et al. A survey on the security of blockchain systems［J］. Future Generation Computer Systems， 2020， 107： 841-853. 10.1016/j.future.2017.08.020
11	HUANG W， MEOLI M， VISMARA S. The geography of initial coin offerings［J］. Small Business Economics， 2020， 55（1）： 77-102. 10.1007/s11187-019-00135-y
12	HOWELL S T， NIESSNER M， YERMACK D. Initial coin offerings： financing growth with cryptocurrency token sales［J］. The Review of Financial Studies， 2020， 33（9）： 3925-3974. 10.1093/rfs/hhz131
13	FISCH C. Initial Coin Offerings （ICOs） to finance new ventures［J］. Journal of Business Venturing， 2019， 34（1）： 1-22. 10.1016/j.jbusvent.2018.09.007
14	DENG H， HUANG R H， WU Q. The regulation of initial coin offerings in China： problems， prognoses and prospects［J］. European Business Organization Law Review， 2018， 19（3）： 465-502. 10.1007/s40804-018-0118-2
15	MAUME P， FROMBERGER M. Regulations of initial coin offerings： reconciling US and EU securities laws［J］. Chicago Journal of International Law， 2019， 19（2）： 548-585.
16	Chainalysis. The 2022 crypto crime report［R/OL］. ［2022-02-26］..
17	CAMPBELL-VERDUYN M. Bitcoin， crypto-coins， and global anti-money laundering governance［J］. Crime， Law and Social Change， 2018， 69（2）： 283-305. 10.1007/s10611-017-9756-5
18	ADHAMI S， GIUDICI G， MARTINAZZI S. Why do businesses go crypto？ an empirical analysis of initial coin offerings［J］. Journal of Economics and Business， 2018， 100： 64-75. 10.1016/j.jeconbus.2018.04.001
19	CERCHIELLO P， TASCA P， TOMA A M. ICO success drivers： a textual and statistical analysis［J］. The Journal of Alternative Investments， 2019， 21（4）： 13-25. 10.3905/jai.2019.21.4.013
20	CAMPINO J， BROCHADO A， ROSA Á. Initial Coin Offerings （ICOs）： why do they succeed？［J］. Financial Innovation， 2022， 8： No.17. 10.1186/s40854-021-00317-2
21	BELLAVITIS C， FISCH C， WIKLUND J. A comprehensive review of the global development of Initial Coin Offerings （ICOs） and their regulation［J］. Journal of Business Venturing Insights， 2021， 15： No.e00213. 10.1016/j.jbvi.2020.e00213
22	FU C， KOH A， GRIFFIN P. Automated theme search in ICO whitepapers［J］. The Journal of Financial Data Science， 2019， 1（4）： 140-158. 10.3905/jfds.2019.1.011
23	DÜRR A， GRIEBEL M， WELSCH G， et al. Predicting fraudulent initial coin offerings using information extracted from whitepapers［C/OL］// Proceedings of the 28th European Conference on Information Systems ［2022-09-26］..
24	BIAN S， DENG Z， LI F， et al. IcoRating： a deep-learning system for scam ICO identification［EB/OL］. （2018-03-08）［2022-09-26］..
25	KARIMOV B， WÓJCIK P. Identification of scams in initial coin offerings with machine learning［J］. Frontiers in Artificial Intelligence， 2021， 4： No.718450. 10.3389/frai.2021.718450
26	TOMA A M， CERCHIELLO P. Initial coin offerings： risk or opportunity？［J］. Frontiers in Artificial Intelligence， 2020， 3： No.18. 10.3389/frai.2020.00018
27	MUÑOZ J Z I， SUÁREZ-VARELA J， BARLET-ROS P. Detecting cryptocurrency miners with NetFlow/IPFIX network measurements［C］// Proceedings of the 2019 IEEE International Symposium on Measurements and Networking. Piscataway： IEEE， 2019： 1-6. 10.1109/iwmn.2019.8804995
28	VESELÝ V， ŽÁDNÍK M. How to detect cryptocurrency miners？ by traffic forensics！［J］. Digital Investigation， 2019， 31： No.100884. 10.1016/j.diin.2019.08.002
29	CAPROLU M， RAPONI S， OLIGERI G， et al. Cryptomining makes noise： detecting cryptojacking via machine learning［J］. Computer Communications， 2021， 171： 126-139. 10.1016/j.comcom.2021.02.016
30	ZAREH A， SHAHRIARI H R. BotcoinTrap： detection of Bitcoin miner botnet using host based approach［C］// Proceedings of the 15th International ISC （Iranian Society of Cryptology） Conference on Information Security and Cryptology. Piscataway： IEEE， 2018： 1-6. 10.1109/iscisc.2018.8546867
31	BIAN W， MENG W， ZHANG M. MineThrottle： defending against Wasm in-browser cryptojacking［C］// Proceedings of the Web Conference 2020. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2020： 3112-3118. 10.1145/3366423.3380085
32	KHIRUPARAJ T P， ABISHEK MADHU V， SATHIA BHAMA P R K. Unmasking file-based cryptojacking［M］// PETER J D， FERNANDES S L， ALAVI A H. Intelligence in Big Data Technologies — Beyond the Hype： Proceedings of ICBDCC 2019. Singapore： Springer， 2021： 137-146.
33	NING R， WANG C， XIN C， et al. CapJack： capture in-browser crypto-jacking by deep capsule network through behavioral analysis［C］// Proceedings of the 2019 IEEE Conference on Computer Communications. Piscataway： IEEE， 2019： 1873-1881. 10.1109/infocom.2019.8737381
34	KHARRAZ A， MA Z， MURLEY P， et al. Outguard： detecting in-browser covert cryptocurrency mining in the wild［C］// Proceedings of the 2019 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2019： 840-852. 10.1145/3308558.3313665
35	KONOTH R K， VINETI E， MOONSAMY V， et al. MineSweeper： an in-depth look into drive-by cryptocurrency mining and its defense［C］// Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security. New York： ACM， 2018： 1714-1730. 10.1145/3243734.3243858
36	SALEHI A， GHAZANFARI M， FATHIAN M. Data mining techniques for anti-money laundering［J］. International Journal of Applied Engineering Research， 2017， 12（20）： 10084-10094.
37	BELLOMARINI L， LAURENZA E， SALLINGER E. Rule-based anti-money laundering in financial intelligence units： experience and vision［C］// Proceedings of the 14th International Rule Challenge， 4th Doctoral Consortium， and 6th Industry Track @ RuleML+RR 2020. Aachen： CEUR-WS.org， 2020： 133-144. 10.1007/978-3-030-57977-7_9
38	RAJPUT Q， KHAN N S， LARIK A， et al. Ontology based expert-system for suspicious transactions detection［J］. Computer and Information Science， 2014， 7（1）： 103-114. 10.5539/cis.v7n1p103
39	KHANUJA H K， ADANE D S. Forensic analysis for monitoring database transactions［C］// Proceedings of the 2014 International Symposium on Security in Computing and Communication， CCIS 467. Berlin： Springer， 2014： 201-210. 10.1007/978-3-662-44966-0_19
40	KHAN N S， LARIK A S， RAJPUT Q， et al. A Bayesian approach for suspicious financial activity reporting［J］. International Journal of Computers and Applications， 2013， 35（4）： 181-187. 10.2316/journal.202.2013.4.202-3864
41	PANIGRAHI S， KUNDU A， SURAL S， et al. Credit card fraud detection： a fusion approach using Dempster-Shafer theory and Bayesian learning［J］. Information Fusion， 2009， 10（4）： 354-363. 10.1016/j.inffus.2008.04.001
42	BUTGEREIT L. Anti-money laundering： rule-based methods to identify funnel accounts［C］// Proceedings of the 2021 Conference on Information Communications Technology and Society. Piscataway： IEEE， 2021： 21-26. 10.1109/ictas50802.2021.9394990
43	LORENZ J， SILVA M I， APARÍCIO D， et al. Machine learning methods to detect money laundering in the Bitcoin blockchain in the presence of label scarcity［C］// Proceedings of the 1st ACM International Conference on AI in Finance. New York： ACM， 2020： No.23. 10.1145/3383455.3422549
44	ALARAB I， PRAKOONWIT S， NACER M I. Comparative analysis using supervised learning methods for anti-money laundering in Bitcoin［C］// Proceedings of the 5th International Conference on Machine Learning Technologies. New York： ACM， 2020： 11-17. 10.1145/3409073.3409078
45	LIN Y J， WU P W， HSU C H， et al. An evaluation of Bitcoin address classification based on transaction history summarization［C］// Proceedings of the 2019 IEEE International Conference on Blockchain and Cryptocurrency. Piscataway： IEEE， 2019： 302-310. 10.1109/bloc.2019.8751410
46	KUMAR A， DAS S， TYAGI V. Anti-money laundering detection using Naïve Bayes classifier［C］// Proceedings of the 2020 IEEE International Conference on Computing， Power and Communication Technologies. Piscataway： IEEE， 2020： 568-572. 10.1109/gucon48875.2020.9231226
47	HARLEV M A， SUN YIN H， LANGENHELDT K C， et al. Breaking bad： de-anonymizing entity types on the Bitcoin blockchain using supervised machine learning［C］// Proceedings of the 51st Hawaii International Conference on System Sciences. Honolulu， HI： University of Hawaiʻi at Mānoa， 2018： 3497-3506. 10.24251/hicss.2018.443
48	TOYODA K， OHTSUKI T， MATHIOPOULOS P T. Identification of high yielding investment programs in Bitcoin via transactions pattern analysis［C］// Proceedings of the 2017 IEEE Global Communications Conference. Piscataway： IEEE， 2017： 1-6. 10.1109/glocom.2017.8254420
49	ZOLA F， EGUIMENDIA M， BRUSE J L， et al. Cascading machine learning to attack Bitcoin anonymity［C］// Proceedings of the 2019 IEEE International Conference on Blockchain. Piscataway： IEEE， 2019： 10-17. 10.1109/blockchain.2019.00011
50	LEE C， MAHARJAN S， KO K， et al. Toward detecting illegal transactions on Bitcoin using machine-learning methods［C］// Proceedings of the 2019 International Conference on Blockchain and Trustworthy Systems， CCIS 1156. Singapore： Springer， 2020： 520-533.
51	BAEK H， OH J， KIM C Y， et al. A model for detecting cryptocurrency transactions with discernible purpose［C］// Proceedings of the 11th International Conference on Ubiquitous and Future Networks. Piscataway： IEEE， 2019： 713-717. 10.1109/icufn.2019.8806126
52	VASSALLO D， VELLA V， ELLUL J. Application of gradient boosting algorithms for anti-money laundering in cryptocurrencies［J］. SN Computer Science， 2021， 2（3）： No.143. 10.1007/s42979-021-00558-z
53	YANG Y， WU M. Supervised and unsupervised learning for fraud and money laundering detection using behavior measuring distance［C］// Proceedings of the IEEE 18th International Conference on Industrial Informatics. Piscataway： IEEE， 2020： 446-451. 10.1109/indin45582.2020.9442099
54	ALARAB I， PRAKOONWIT S， NACER M I. Competence of graph convolutional networks for anti-money laundering in Bitcoin blockchain［C］// Proceedings of the 5th International Conference on Machine Learning Technologies. New York： ACM， 2020： 23-27. 10.1145/3409073.3409080
55	ALARAB I， PRAKOONWIT S. Graph-based LSTM for anti-money laundering： Experimenting temporal graph convolutional network with Bitcoin data［J］. Neural Processing Letters， 2023， 55（1）： 689-707.
56	MOHAN A， KARTHIKA P V， SANKAR P， et al. Improving anti-money laundering in Bitcoin using evolving graph convolutions and deep neural decision forest［J］. Data Technologies and Applications， 2023， 53（7）： 313-329.
57	HASANOVA H， BAEK U J， SHIN M G， et al. A survey on blockchain cybersecurity vulnerabilities and possible countermeasures［J］. International Journal of Network Management， 2019， 29（2）： No.e2060. 10.1002/nem.2060
58	BHARGAVAN K， DELIGNAT-LAVAUD A， FOURNET C， et al. Formal verification of smart contracts： short paper［C］// Proceedings of the 2016 ACM Workshop on Programming Languages and Analysis for Security. New York： ACM， 2016： 91-96. 10.1145/2993600.2993611
59	GRISHCHENKO I， MAFFEI M， SCHNEIDEWIND C. Foundations and tools for the static analysis of Ethereum smart contracts［C］// Proceedings of the 2018 International Conference on Computer Aided Verification LNCS 10981. Cham： Springer， 2018： 51-78. 10.1007/978-3-319-96145-3_4
60	MOSSBERG M， MANZANO F， HENNENFENT E， et al. Manticore： a user-friendly symbolic execution framework for binaries and smart contracts［C］// Proceedings of the 34th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2019： 1186-1189. 10.1109/ase.2019.00133
61	WEI Z， WANG J， SHEN X， et al. Smart contract fuzzing based on taint analysis and genetic algorithms［J］. Journal of Quantum Computing， 2020， 2（1）： 11-24. 10.32604/jqc.2020.010815
62	CHAN W K， JIANG B. Fuse： an architecture for smart contract fuzz testing service［C］// Proceedings of the 25th Asia-Pacific Software Engineering Conference. Piscataway： IEEE， 2018： 707-708. 10.1109/apsec.2018.00099
63	CHEN W， ZHENG Z， CUI J， et al. Detecting Ponzi schemes on Ethereum： towards healthier blockchain technology［C］// Proceedings of the 2018 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 1409-1418. 10.1145/3178876.3186046
64	HU T， LIU X， CHEN T， et al. Transaction-based classification and detection approach for Ethereum smart contract［J］. Information Processing and Management， 2021， 58（2）： No.102462. 10.1016/j.ipm.2020.102462
65	MOMENI P， WANG Y， SAMAVI R. Machine learning model for smart contracts security analysis［C］// Proceedings of the 17th International Conference on Privacy， Security and Trust. Piscataway： IEEE， 2019： 1-6. 10.1109/pst47121.2019.8949045
66	XU Y， HU G， YOU L， et al. A novel machine learning-based analysis model for smart contract vulnerability［J］. Security and Communication Networks， 2021， 2021： No.5798033. 10.1155/2021/5798033
67	KAPPOS G， YOUSAF H， MALLER M， et al. An empirical analysis of anonymity in Zcash［C］// Proceedings of the 27th USENIX Security Symposium. Berkeley： USENIX Association， 2018： 463-477.
68	REID F， HARRIGAN M. An analysis of anonymity in the Bitcoin system［M］// ALTSHULER Y， ELOVICI Y， CREMERS A B， et al. Security and Privacy in Social Networks. New York： Springer， 2013： 197-223. 10.1007/978-1-4614-4139-7_10
69	ANDROULAKI E， KARAME G O， ROESCHLIN M， et al. Evaluating user privacy in Bitcoin［C］// Proceedings of the 2013 International Conference on Financial Cryptography and Data Security， LNCS 7859. Berlin： Springer， 2013： 34-51.
70	VICTOR F. Address clustering heuristics for Ethereum［C］// Proceedings of the 2020 International Conference on Financial Cryptography and Data Security， LNCS 12059. Cham： Springer， 2020： 617-633.
71	BARTOLETTI M， PES B， SERUSI S. Data mining for detecting Bitcoin Ponzi schemes［C］// Proceedings of the 2018 Crypto Valley Conference on Blockchain Technology. Piscataway： IEEE， 2018： 75-84. 10.1109/cvcbt.2018.00014
72	OSTAPOWICZ M L， ŻBIKOWSKI K. Detecting fraudulent accounts on blockchain： a supervised approach［C］// Proceedings of the 2019 International Conference on Web Information Systems Engineering， LNCS 11881. Cham： Springer， 2019： 18-31.
73	LI Y， CAI Y， TIAN H， et al. Identifying illicit addresses in Bitcoin network［C］// Proceedings of the 2020 International Conference on Blockchain and Trustworthy Systems， CCIS 1267. Singapore： Springer， 2020： 99-111.
74	TOYODA K， MATHIOPOULOS P T， OHTSUKI T. A novel methodology for HYIP operators’ Bitcoin addresses identification［J］. IEEE Access， 2019， 7： 74835-74848. 10.1109/access.2019.2921087
75	FARRUGIA S， ELLUL J， AZZOPARDI G. Detection of illicit accounts over the Ethereum blockchain［J］. Expert Systems with Applications， 2020， 150： No.113318. 10.1016/j.eswa.2020.113318
76	IBRAHIM R F， MOHAMMAD ELIAN A， ABABNEH M. Illicit account detection in the Ethereum blockchain using machine learning［C］// Proceedings of the 2021 International Conference on Information Technology. Piscataway： IEEE， 2021： 488-493. 10.1109/icit52682.2021.9491653
77	POURSAFAEI F， HAMAD G B， ZILIC Z. Detecting malicious Ethereum entities via application of machine learning classification［C］// Proceedings of the 2nd Conference on Blockchain Research and Applications for Innovative Networks and Services. Piscataway： IEEE， 2020： 120-127. 10.1109/brains49436.2020.9223304
78	CHEN W， ZHENG Z， NGAI E C H， et al. Exploiting blockchain data to detect smart Ponzi schemes on Ethereum［J］. IEEE Access， 2019， 7： 37575-37586. 10.1109/access.2019.2905769
79	CHEN W， GUO X， CHEN Z， et al. Phishing scam detection on Ethereum： towards financial security for blockchain ecosystem［C］// Proceedings of the 29th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2020： 4506-4512. 10.24963/ijcai.2020/621
80	MICHALSKI R， DZIUBAŁTOWSKA D， MACEK P. Revealing the character of nodes in a blockchain with supervised learning［J］. IEEE Access， 2020， 8： 109639-109647. 10.1109/access.2020.3001676
81	SUN YIN H H， LANGENHELDT K， HARLEV M， et al. Regulating cryptocurrencies： a supervised machine learning approach to de-anonymizing the Bitcoin blockchain［J］. Journal of Management Information Systems， 2019， 36（1）： 37-73. 10.1080/07421222.2018.1550550
82	LIANG J， LI L， CHEN W， et al. Targeted addresses identification for Bitcoin with network representation learning［C］// Proceedings of the 2019 IEEE International Conference on Intelligence and Security Informatics. Piscataway： IEEE， 2019： 158-160. 10.1109/isi.2019.8823249
83	LINOY S， STAKHANOVA N， RAY S. De-anonymizing Ethereum blockchain smart contracts through code attribution［J］. International Journal of Network Management， 2021， 31（1）： No.e2130. 10.1002/nem.2130
84	MONAMO P， MARIVATE V， TWALA B. Unsupervised learning for robust Bitcoin fraud detection［C］// Proceedings of the 2016 Information Security for South Africa Conference. Piscataway： IEEE， 2016： 129-134. 10.1109/issa.2016.7802939
85	MONAMO P M， MARIVATE V， TWALA B. A multifaceted approach to Bitcoin fraud detection： global and local outliers［C］// Proceedings of the 15th IEEE International Conference on Machine Learning and Applications. Piscataway： IEEE， 2016： 188-194. 10.1109/icmla.2016.0039
86	TIAN H， LI Y， CAI Y， et al. Attention-based graph neural network for identifying illicit Bitcoin addresses［C］// Proceedings of the 2021 International Conference on Blockchain and Trustworthy Systems， CCIS 1490. Singapore： Springer， 2021： 147-162.
87	SHAO W， LI H， CHEN M， et al. Identifying Bitcoin users using deep neural network［C］// Proceedings of the 2018 International Conference on Algorithms and Architectures for Parallel Processing， LNCS 11337. Cham： Springer， 2018： 178-192.
88	SHEN J， ZHOU J， XIE Y， et al. Identity inference on blockchain using graph neural network［C］// Proceedings of the 2021 International Conference on Blockchain and Trustworthy Systems， CCIS 1490. Singapore： Springer， 2021： 3-17.
89	LIU X， TANG Z， LI P， et al. A graph learning based approach for identity inference in DApp platform blockchain［J］. IEEE Transactions on Emerging Topics in Computing， 2022， 10（1）： 438-449. 10.1109/tetc.2020.3027309
90	WU J， LIU J， ZHAO Y， et al. Analysis of cryptocurrency transactions from a network perspective： an overview［J］. Journal of Network and Computer Applications， 2021， 190： No.103139. 10.1016/j.jnca.2021.103139
91	REMY C， RYM B， MATTHIEU L. Tracking Bitcoin users activity using community detection on a network of weak signals［C］// Proceedings of the 2017 International Conference on Complex Networks and Their Applications， SCI 689. Cham： Springer， 2018： 166-177. 10.1007/978-3-319-72150-7_14
92	WU S X， WU Z， CHEN S， et al. Community detection in blockchain social networks［J］. Journal of Communications and Information Networks， 2021， 6（1）： 59-71. 10.23919/jcin.2021.9387705
93	ZHANG Z， ZHOU T， XIE Z. BitScope： scaling Bitcoin address deanonymization using multi-resolution clustering［EB/OL］. ［2022-09-26］.. 10.1016/j.displa.2022.102192
94	SUN H， RUAN N， LIU H. Ethereum analysis via node clustering［C］// Proceedings of the 2019 International Conference on Network and System Security， LNCS 11928. Cham： Springer， 2019： 114-129.
95	PHAM T T， LEE S. Anomaly detection in the Bitcoin system — a network perspective［EB/OL］. （2017-02-24）［2022-09-26］..
96	PHAM T T， LEE S. Anomaly detection in Bitcoin network using unsupervised learning methods［EB/OL］. （2017-02-25）［2022-09-26］..
97	ZHANG R， ZHANG G， LIU L， et al. Anomaly detection in Bitcoin information networks with multi-constrained meta path［J］. Journal of Systems Architecture， 2020， 110： No.101829. 10.1016/j.sysarc.2020.101829
98	WU J， LIU J， CHEN W， et al. Detecting mixing services via mining Bitcoin transaction network with hybrid motifs［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 52（4）： 2237-2249. 10.1109/tsmc.2021.3049278
99	HUANG B， LIU Z， CHEN J， et al. Behavior pattern clustering in blockchain networks［J］. Multimedia Tools and Applications， 2017， 76（19）： 20099-20110. 10.1007/s11042-017-4396-4
100	PATEL V， PAN L， RAJASEGARAR S. Graph deep learning based anomaly detection in Ethereum blockchain network［C］// Proceedings of the 2020 International Conference on Network and System Security， LNCS 12570. Cham： Springer， 2020： 132-148.
101	SCICCHITANO F， LIGUORI A， GUARASCIO M， et al. Deep autoencoder ensembles for anomaly detection on blockchain［C］// Proceedings of the 2020 International Symposium on Methodologies for Intelligent Systems， LNCS 12117. Cham： Springer， 2020： 448-456.
102	ZHAO C， GUAN Y. A graph-based investigation of Bitcoin transactions［C］// Proceedings of the 2015 IFIP International Conference on Digital Forensics， IFIPAICT 462. Cham： Springer， 2015： 79-95. 10.1007/978-3-319-24123-4_5
103	XIE Y， JIN J， ZHANG J， et al. Temporal-amount snapshot MultiGraph for Ethereum transaction tracking［C］// Proceedings of the 2021 International Conference on Blockchain and Trustworthy Systems， CCIS 1490. Singapore： Springer， 2021： 133-146.
104	HUANG D Y， ALIAPOULIOS M M， LI V G， et al. Tracking ransomware end-to-end［C］// Proceedings of the 2018 IEEE Symposium on Security and Privacy. Piscataway： IEEE， 2018： 618-631. 10.1109/sp.2018.00047
105	LIAO K， ZHAO Z， DOUPÉ A， et al. Behind closed doors： measurement and analysis of CryptoLocker ransoms in Bitcoin［C］// Proceedings of the 2016 APWG Symposium on Electronic Crime Research. Piscataway： IEEE， 2016： 1-13. 10.1109/ecrime.2016.7487938
106	GAO B， WANG H， XIA P， et al. Tracking counterfeit cryptocurrency end-to-end［J］. Proceedings of the ACM on Measurement and Analysis of Computing Systems， 2020， 4（3）： No.50. 10.1145/3428335
107	高峰，毛洪亮，吴震，等. 轻量级比特币交易溯源机制［J］. 计算机学报， 2018， 41（5）： 989-1004. 10.11897/SP.J.1016.2018.00989�
	GAO F， MAO H L， WU Z， et al. Lightweight transaction tracing technology for Bitcoin［J］. Chinese Journal of Computers， 2018， 41（5）： 989-1004. 10.11897/SP.J.1016.2018.00989�
108	KOSHY P， KOSHY D， McDANIEL P. An analysis of anonymity in Bitcoin using P2P network traffic［C］// Proceedings of the 2014 International Conference on Financial Cryptography and Data Security LNCS 8437. Berlin： Springer， 2014： 469-485. 10.1007/978-3-662-45472-5_30
109	PHILLIPS R， WILDER H. Tracing cryptocurrency scams： clustering replicated advance-fee and phishing websites［C］// Proceedings of the 2020 IEEE International Conference on Blockchain and Cryptocurrency. Piscataway： IEEE， 2020： 1-8. 10.1109/icbc48266.2020.9169433
110	BIRYUKOV A， KHOVRATOVICH D， PUSTOGAROV I. Deanonymization of clients in Bitcoin P2P network［C］// Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security. New York： ACM， 2014： 15-29. 10.1145/2660267.2660379
111	DI BATTISTA G， DI DONATO V， PATRIGNANI M， et al. Bitconeview： visualization of flows in the Bitcoin transaction graph［C］// Proceedings of the 2015 IEEE Symposium on Visualization for Cyber Security. Piscataway： IEEE， 2015： 1-8. 10.1109/vizsec.2015.7312773
112	YUE X， SHU X， ZHU X， et al. BitExTract： interactive visualization for extracting Bitcoin exchange intelligence［J］. IEEE Transactions on Visualization and Computer Graphics， 2019， 25（1）： 162-171. 10.1109/tvcg.2018.2864814
113	HASLHOFER B， KARL R， FILTZ E. O Bitcoin where art thou？ insight into large-scale transaction graphs［C］// Joint Proceedings of the Posters and Demos Track of the 12th International Conference on Semantic Systems/ 1st International Workshop on Semantic Change anf Evolving Semantics. Aachen： CEUR-WS.org， 2016： No.20.
114	ZHONG Z， WEI S， XU Y， et al. SilkViser： a visual explorer of blockchain-based cryptocurrency transaction data［C］// Proceedings of the 2020 IEEE Conference on Visual Analytics Science and Technology. Piscataway： IEEE， 2020： 95-106. 10.1109/vast50239.2020.00014
115	McGINN D， BIRCH D， AKROYD D， et al. Visualizing dynamic Bitcoin transaction patterns［J］. Big Data， 2016， 4（2）： 109-119. 10.1089/big.2015.0056
116	MANI G， PASUMARTI V， BHARGAVA B， et al. DeCrypto Pro： deep learning based cryptomining malware detection using performance counters［C］// Proceedings of the 2020 IEEE International Conference on Autonomic Computing and Self-Organizing Systems. Piscataway： IEEE， 2020： 109-118. 10.1109/acsos49614.2020.00032
117	HENDE J. MineChecker： a tool for detecting click-based browser cryptomining［D］. Nijmegen： Radboud University， 2019： 8-28.
118	ZHANG Z， YIN J， HU B， et al. CLTracer： a Cross-Ledger Tracing framework based on address relationships［J］. Computers and Security， 2022， 113： No.102558. 10.1016/j.cose.2021.102558
119	KALRA S， GOEL S， DHAWAN M， et al. Zeus： analyzing safety of smart contracts［C］// Proceedings of the 2018 Network and Distributed System Security Symposium. Reston， VA： Internet Society， 2018： 1-15. 10.14722/ndss.2018.23082
120	FEIST J， GREICO G， GROCE A. Slither： a static analysis framework for smart contracts［C］// Proceedings of the IEEE/ACM 2nd International Workshop on Emerging Trends in Software Engineering for Blockchain. Piscataway： IEEE， 2019： 8-15. 10.1109/wetseb.2019.00008
121	TIKHOMIROV S， VOSKRESENSKAYA E， IVANITSKIY I， et al. SmartCheck： static analysis of Ethereum smart contracts［C］// Proceedings of the ACM/IEEE 1st International Workshop on Emerging Trends in Software Engineering for Blockchain. New York： ACM， 2018： 9-16. 10.1145/3194113.3194115
122	CHANG J， GAO B， XIAO H， et al. sCompile： critical path identification and analysis for smart contracts［C］// Proceedings of the 2019 International Conference on Formal Engineering Methods， LNCS 11852. Cham： Springer， 2019： 286-304.
123	LIU C， LIU H， CAO Z， et al. ReGuard： finding reentrancy bugs in smart contracts［C］// Proceedings of the ACM/IEEE 40th International Conference on Software Engineering： Companion Proceedings. New York： ACM， 2018： 65-68. 10.1145/3183440.3183495
124	KALODNER H， MÖSER M， LEE K， et al. BlockSci： design and applications of a blockchain analysis platform［C］// Proceedings of the 29th USENIX Security Symposium. Berkeley： USENIX Association， 2020： 2721-2738.
125	SPAGNUOLO M， MAGGI F， ZANERO S. BitIodine： extracting intelligence from the Bitcoin network［C］// Proceedings of the 2014 International Conference on Financial Cryptography and Data Security， LNCS 8437. Berlin： Springer， 2014： 457-468.

GEC周期	犯罪活动	犯罪原因	犯罪方式
产生阶段	非法集资	ICO行业信息不对称不透明，监管程度较低，犯罪团伙可以躲避审计追查	非法发售票券、非法吸收公众存款、传销等
	金融诈骗	意图引诱受害者给出私人信息（如用户名、口令或信用卡详细信息）	网络钓鱼、庞氏骗局、委托投资类诈骗、各类去中心化应用骗局等
	恶意挖矿攻击	整个加密数字货币交易网络的算力大幅增加，犯罪分子寻找提高算力的方法以获取更多利益	区块截留攻击、自私挖矿、攻击和占用用户终端设备的系统资源和网络资源，利用混淆、加密等手段对抗检测
兑换阶段	洗钱	虚拟币交易过程中均是匿名操作，洗钱犯罪更不容易被发现和追踪	主要利用加密数字货币套现洗钱，如利用Defi、跨链交易平台、混币平台、泰达币跑分平台、高风险交易所洗钱等
流通阶段	智能合约犯罪	智能合约的履行消除第三方监管，由计算机根据设定程序进行，具有不可逆转的自动性和执行性特点，为犯罪提供便利	主要方式为非法攻击智能合约系统的漏洞或者非法获取智能合约当事人的私钥，并从中获取数字资产等
	诈骗	利用各类不法网络交易平台收割用户，骗取受害人钱财	自建加密数字货币冒充交易所客服诈骗、自制空气币或山寨币等
	盗窃	交易匿名，且加密数字货币平台交易机制易受网络攻击	密码盗窃、黑客入侵、漏洞攻击等
	勒索	被攻击的受害者支付赎金解密文件并重获私密数据	对受害者数据的加密，拒绝受害者访问自己的信息等
	赌博	区块链基于它自身的匿名性、不可篡改、可追溯等技术优势，导致在赌博平台上更容易获取大笔非法资金	加密数字货币在赌博中常被作为支付结算工具和赌博投注对象，或者利用区块链智能合约技术开发赌博应用，或者利用区块链+游戏赌博等
	暗网市场	在暗网市场中处理交易的速度更快，支持匿名，可以逃避监管，且交易费用较低	主要通过加密数字货币进行各种黑暗非法的交易活动
	恐怖或极端主义	加密数字货币的匿名性、全球性、不可否认性、低廉的交易费用和难以实时监测的特征，利于恐怖/极端分子在全球范围内转移资金	借助社交平台、网络游戏、移动应用程序以及外接电子设备进行加密数字货币恐怖融资

GEC周期	犯罪活动	犯罪原因	犯罪方式
产生阶段	非法集资	ICO行业信息不对称不透明，监管程度较低，犯罪团伙可以躲避审计追查	非法发售票券、非法吸收公众存款、传销等
	金融诈骗	意图引诱受害者给出私人信息（如用户名、口令或信用卡详细信息）	网络钓鱼、庞氏骗局、委托投资类诈骗、各类去中心化应用骗局等
	恶意挖矿攻击	整个加密数字货币交易网络的算力大幅增加，犯罪分子寻找提高算力的方法以获取更多利益	区块截留攻击、自私挖矿、攻击和占用用户终端设备的系统资源和网络资源，利用混淆、加密等手段对抗检测
兑换阶段	洗钱	虚拟币交易过程中均是匿名操作，洗钱犯罪更不容易被发现和追踪	主要利用加密数字货币套现洗钱，如利用Defi、跨链交易平台、混币平台、泰达币跑分平台、高风险交易所洗钱等
流通阶段	智能合约犯罪	智能合约的履行消除第三方监管，由计算机根据设定程序进行，具有不可逆转的自动性和执行性特点，为犯罪提供便利	主要方式为非法攻击智能合约系统的漏洞或者非法获取智能合约当事人的私钥，并从中获取数字资产等
	诈骗	利用各类不法网络交易平台收割用户，骗取受害人钱财	自建加密数字货币冒充交易所客服诈骗、自制空气币或山寨币等
	盗窃	交易匿名，且加密数字货币平台交易机制易受网络攻击	密码盗窃、黑客入侵、漏洞攻击等
	勒索	被攻击的受害者支付赎金解密文件并重获私密数据	对受害者数据的加密，拒绝受害者访问自己的信息等
	赌博	区块链基于它自身的匿名性、不可篡改、可追溯等技术优势，导致在赌博平台上更容易获取大笔非法资金	加密数字货币在赌博中常被作为支付结算工具和赌博投注对象，或者利用区块链智能合约技术开发赌博应用，或者利用区块链+游戏赌博等
	暗网市场	在暗网市场中处理交易的速度更快，支持匿名，可以逃避监管，且交易费用较低	主要通过加密数字货币进行各种黑暗非法的交易活动
	恐怖或极端主义	加密数字货币的匿名性、全球性、不可否认性、低廉的交易费用和难以实时监测的特征，利于恐怖/极端分子在全球范围内转移资金	借助社交平台、网络游戏、移动应用程序以及外接电子设备进行加密数字货币恐怖融资

模型	文献	货币	分类	训练算法	算法分类
监督学习	文献［71］	比特币	旁氏骗局	BN、RF	二分类
	文献［72］	比特币	欺诈	RF、SVM、XGBoost	二分类
	文献［73］	比特币	非法账户	RF、SVM、XGBoost、人工神经网络	二分类
	文献［74］	比特币	非法账户	RF、XGBoost、SVM、KNN、Feed-Forward Neural Network	二分类
	文献［75］	以太币	非法账户	XGBoost	二分类
	文献［76］	以太币	欺诈	DT、RF、KNN	二分类
	文献［77］	以太币	恶意实体	LR、SVM、RF、AdaBoost	二分类
	文献［78］	以太币	旁氏骗局	RF、XGBoost、DT、SVM	二分类
	文献［79］	以太币	钓鱼诈骗	SVM、LightGBM	二分类
	文献［80］	比特币	矿池、矿工、混合服务、赌博、交易所等	SVM、RF、DT、LR、MLP、KNN	多分类
	文献［81］	比特币	交易所、商户服务、混合、赌博、个人钱包、矿池、勒索软件、托管钱包、骗局、暗网市场、盗窃、其他	KNN、Classification And Regression Tree（CART）、 AdaBoost、RF、ET、梯度提升	多分类
	文献［82］	比特币	交易所、赌博、服务、其他	CART、Adaboost	多分类
	文献［83］	以太币	1 071位以太坊合约的部署者	RF、DT、SVM	多分类
无监督学习	文献［84］	比特币	欺诈	K-means	—
	文献［85］	比特币	欺诈	K-dimensional树（Kd-tree）	—
	文献［78］	以太币	旁氏骗局	One-Class SVM（OCSVM）	—
深度学习	文献［86］	比特币	非法账户	图神经网络	二分类
	文献［87］	比特币	地址分类	图嵌入、循环神经网络	多分类
	文献［88］	以太币	ICO钱包、交易所、矿池、钓鱼	图神经网络	多分类
	文献［89］	以太币	ICO钱包、交易所、矿池、投资者、钓鱼等	GCN	多分类

模型	文献	货币	分类	训练算法	算法分类
监督学习	文献［71］	比特币	旁氏骗局	BN、RF	二分类
	文献［72］	比特币	欺诈	RF、SVM、XGBoost	二分类
	文献［73］	比特币	非法账户	RF、SVM、XGBoost、人工神经网络	二分类
	文献［74］	比特币	非法账户	RF、XGBoost、SVM、KNN、Feed-Forward Neural Network	二分类
	文献［75］	以太币	非法账户	XGBoost	二分类
	文献［76］	以太币	欺诈	DT、RF、KNN	二分类
	文献［77］	以太币	恶意实体	LR、SVM、RF、AdaBoost	二分类
	文献［78］	以太币	旁氏骗局	RF、XGBoost、DT、SVM	二分类
	文献［79］	以太币	钓鱼诈骗	SVM、LightGBM	二分类
	文献［80］	比特币	矿池、矿工、混合服务、赌博、交易所等	SVM、RF、DT、LR、MLP、KNN	多分类
	文献［81］	比特币	交易所、商户服务、混合、赌博、个人钱包、矿池、勒索软件、托管钱包、骗局、暗网市场、盗窃、其他	KNN、Classification And Regression Tree（CART）、 AdaBoost、RF、ET、梯度提升	多分类
	文献［82］	比特币	交易所、赌博、服务、其他	CART、Adaboost	多分类
	文献［83］	以太币	1 071位以太坊合约的部署者	RF、DT、SVM	多分类
无监督学习	文献［84］	比特币	欺诈	K-means	—
	文献［85］	比特币	欺诈	K-dimensional树（Kd-tree）	—
	文献［78］	以太币	旁氏骗局	One-Class SVM（OCSVM）	—
深度学习	文献［86］	比特币	非法账户	图神经网络	二分类
	文献［87］	比特币	地址分类	图嵌入、循环神经网络	多分类
	文献［88］	以太币	ICO钱包、交易所、矿池、钓鱼	图神经网络	多分类
	文献［89］	以太币	ICO钱包、交易所、矿池、投资者、钓鱼等	GCN	多分类

GEC周期	平台分类	平台	功能和作用
产生阶段	ICO沙盒监管平台	FintechSandbox	提供数据与基础设施环境给政府和金融科技公司监管产业沙盒
	ICO沙盒监管平台	Level-OneProject	连接通信公司、银行和金融科技公司，并建立交互协议和沙盒系统
	加密数字货币挖矿检测系统	DeCrypto Pro^［116］	基于轻量级机器学习模型和LSTM深度神经网络的检测分析系统，同时使用Windows性能计数器数据识别加密货币挖矿程序
	加密数字货币挖矿检测系统	MineChecker^［117］	基于CPU计算模拟用户输入与Web浏览器的交互，触发隐藏的挖矿脚本，检测加密数字货币挖矿网站
兑换阶段	反洗钱监测平台	MistTrack^［118］	专注打击加密货币洗钱活动，具有丰富的地址标签和地址追溯功能
兑换阶段	反洗钱监测平台	CLTracer	基于地址关系的跨分类账跟踪平台，开发了一种交叉分类账的组合启发式聚类算法分析地址关系，并扩展到跨链交易平台
流通阶段	智能合约安全分析与漏洞检测系统	Zeus^［119］	使用抽象解释和符号模型检测智能合约漏洞，并基于形式化验证方法分析智能合约代码的安全性
		Slither^［120］	提供理解合约代码和以太坊智能合约漏洞检测功能的分析框架，目前能够检测重入、资金锁住等常见的漏洞
		Smartcheck^［121］	智能合约漏洞检测的静态分析工具，对合约源代码进行语法和词法的分析
		sCompile^［122］	基于关键路径的符号执行的智能合约漏洞检测工具，可以高效地自动化识别智能合约中的关键程序路径
		ReGuard^［123］	基于模糊测试对以太坊智能合约进行漏洞检测的工具，主要检测重入漏洞，支持源代码检测和字节码检测
	链上数据分析智能平台	Nansen	分析并标记以太坊地址的链上活动，为用户的投资提供参考
		Watchers	有丰富的数据标签，支持多链分析实体行为、地址监控和聚类等
		Dune Analytics	提供大量数据分析仪表板，包含丰富的链上数据
		BlockSci^［124］	用于区块链分析的开源工具，采用MapReduce处理速度较快，可支持比特币、莱特币、Zcash等
		BitIodine^［125］	解析区块链、地址聚类、用户分类、建立标签、可视化比特币网络等