人工智能大數(shù)據(jù)技術(shù)在治理虛擬貨幣刑事犯罪中的應(yīng)用研究

中圖分類號：TN915.08-34；TP39 文獻標(biāo)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(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，還具有獨特的交易特性。然而，它并非由官方貨幣機構(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(tǒng)貨幣。在全球經(jīng)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(guān)注。這些組織利用各國對虛擬貨幣監(jiān)管策略的差異，巧妙地將其用作洗錢等非法活動的工具，進一步加劇了金融犯罪的風(fēng)險3。在傳統(tǒng)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(wǎng)格聚類算法分析可疑洗錢行為4。文獻[5]提出一種數(shù)據(jù)挖掘中聚類模型，用該模型預(yù)測反洗錢領(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頻繁涌現(xiàn)，成為了社會安全的一大隱患，亟需密切關(guān)注并采取行動。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(fēng)險的主要類型

涉及虛擬貨幣的刑事犯罪風(fēng)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(lǐng)導(dǎo)傳銷活動。我國雖未官方認可虛擬貨市交易，但其內(nèi)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(chǎn)犯罪的標(biāo)的物。伴隨市場經(jīng)濟的蓬勃發(fā)展，以創(chuàng)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(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，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(tài)圖卷積網(wǎng)絡(luò)的RGCN模型總體設(shè)計

本文針對虛擬貨幣洗錢數(shù)據(jù)集進行構(gòu)圖步驟設(shè)計，并提出一種基于動態(tài)圖卷積網(wǎng)絡(luò)的增強識別模型（Relational Graph Convolutional Network，RGCN）。

2.1構(gòu)圖步驟設(shè)計

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，不僅在實際應(yīng)用中展現(xiàn)出極高的價值，其算法檢測的權(quán)威性也備受認可。立足于這一基礎(chǔ)，本文旨在嚴謹、系統(tǒng)地對RGCN模型在虛擬貨幣交易真實環(huán)境中的應(yīng)用進行性能評估與精度校驗。采用精確的數(shù)據(jù)處理方法，深入細致地讀取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（訓(xùn)練集與驗證集），實現(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)建過程中的計算速度，降低了整體時間消耗。鑒于金融數(shù)據(jù)的時間敏感性，在虛擬貨幣交易網(wǎng)絡(luò)中，每一筆交易都附有精確的時間戳，它標(biāo)志著交易在區(qū)塊鏈上的確認時刻。基于這一特性，本文在EIliptic數(shù)據(jù)集中，依據(jù)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(jié)合ID字典進行邊信息讀取，生成邊列表，也就是將節(jié)點在ID映射。為了將鄰接矩陣轉(zhuǎn)化為對稱矩陣并增設(shè)自環(huán)，將原始的鄰接矩陣轉(zhuǎn)化為對稱形式，同時在對角線上添加1來代表每個節(jié)點的自環(huán)，從而生成一個全新的、包含自環(huán)的鄰接矩陣。在此之后基于訓(xùn)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(gòu)建出專門用于識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

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)隨時間演變的動態(tài)特征時存在明顯的局限性，對于虛擬貨幣交易網(wǎng)絡(luò)中節(jié)點數(shù)量與連接關(guān)系的動態(tài)變化，其敏感度相對較低8。由于交易數(shù)據(jù)本身時序特征難以直接獲取，當(dāng)前動態(tài)圖卷積網(wǎng)絡(luò)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(yè)化與國際化，洗錢活動逐漸呈現(xiàn)小規(guī)模、多節(jié)點、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)測效果不理想。

在時間維度下，本文對虛擬貨幣交易網(wǎng)絡(luò)的數(shù)據(jù)進行了精細化處理，旨在將這些數(shù)據(jù)轉(zhuǎn)化為動態(tài)圖特征提取的任務(wù)，從而精準捕捉網(wǎng)絡(luò)結(jié)構(gòu)隨時間發(fā)生的微妙變化。為實現(xiàn)這一目標(biāo)，精心設(shè)計和實現(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演化機制設(shè)計，用于捕獲圖譜結(jié)構(gòu)的動態(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)計作為頂層。同時，RGCN模型中還設(shè)計時間卷積層，通過融合因果卷積與殘差網(wǎng)絡(luò)來綜合學(xué)習(xí)時空維度，以提升卷積網(wǎng)絡(luò)性能并提高召回率。針對小型化、多節(jié)點的洗錢趨勢，融入圖嵌入層，挖掘時空向量圖結(jié)構(gòu)并提煉深層特征。采用決策樹分類與特征增強優(yōu)化模型，提升非法交易識別精度。圖2為RGCN動態(tài)圖卷積網(wǎng)絡(luò)模型架構(gòu)圖。

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

在圖2中，T為時間步長，模型由結(jié)構(gòu)卷積層、時間卷積層、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)點結(jié)構(gòu)特征，在不同時間步長下，通過LSTM對GCN的輸人參數(shù)進行控制。為應(yīng)對GCN模型參數(shù)動態(tài)更新挑戰(zhàn)，并深人聚合節(jié)點局部結(jié)構(gòu)信息，精準描繪交易網(wǎng)絡(luò)圖譜的節(jié)點鄰域細節(jié)，創(chuàng)新性地將動態(tài)更新機制融人結(jié)構(gòu)卷積層，從而顯著增強模型對節(jié)點結(jié)構(gòu)動態(tài)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(jié)構(gòu)特征向量中的時序信息，進一步提升模型的預(yù)測準確性。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，使用隨機森林分類器成功降低因樣本類別不平衡所帶來的預(yù)測誤差，從而實現(xiàn)模型精度的進一步優(yōu)化[0]。

3RGCN模型的結(jié)構(gòu)卷積層設(shè)計

設(shè)計RGCN模型的結(jié)構(gòu)卷積層時借鑒了EvolveGCN的參數(shù)更新機制，創(chuàng)新性地應(yīng)對節(jié)點數(shù)量的動態(tài)變化輸入，以此增強模型對圖結(jié)構(gòu)變動及節(jié)點數(shù)量波動的敏銳捕捉能力。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態(tài)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(jié)構(gòu)變化引起的模型參數(shù)動態(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。針對數(shù)據(jù)集的時間步長特性，采用序列化的策略，將動態(tài)圖分解為多個靜態(tài)圖序列，巧妙地實現(xiàn)了交易數(shù)據(jù)向圖數(shù)據(jù)的時序映射。在GCN模型的運算框架內(nèi)，交易網(wǎng)絡(luò)被簡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， E 則刻畫了貨幣流動的方向脈絡(luò)。節(jié)點特征方面，為每個節(jié)點 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)點的特征集合，其中 D 為特征維度， N 為節(jié)點總數(shù)。此外，還利用鄰接矩陣A全面捕捉圖結(jié)構(gòu)的信息，同時對于節(jié)點度的對角矩陣表示形式進行了界定，即 ，增強圖結(jié)構(gòu)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(tài)圖卷積網(wǎng)絡(luò)（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(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)換過程通過以下計算公式來實現(xiàn)：

式中： Φ_t 為當(dāng)前時間步長； 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 時刻的節(jié)點狀態(tài)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(jié)點的 n 維特征向量，詳盡描繪了節(jié)點的多維度屬性。當(dāng)模型深入至第1層處理時，一個核心操作被執(zhí)行，即節(jié)點鄰域信息的整合與聚合。這一過程不僅豐富了每個節(jié)點的表示，還巧妙地捕捉了圖在當(dāng)前時間步長下的空間結(jié)構(gòu)特性。

3.2參數(shù)更新

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

3.3RGCN模型的圖嵌入層設(shè)計

在虛擬貨幣交易模式識別的領(lǐng)域內(nèi)，正面臨著洗錢活動日益趨向小型化與規(guī)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(zhàn)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(chuàng)新性地引入動態(tài)卷積層捕捉結(jié)構(gòu)動態(tài)性，并融合時間卷積層以整合時序與結(jié)構(gòu)特征[12]。本文在此基礎(chǔ)上設(shè)計圖嵌入層，通過時間卷積層捕獲交易時序信息，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(jié)合，利用GCN的空間采樣能力進行特征矩陣的轉(zhuǎn)換與融合，旨在通過集成學(xué)習(xí)減少偏差，解決洗錢交易識別召回率低的問題。圖3為圖嵌入層架構(gòu)設(shè)計。

圖3圖嵌入層架構(gòu)設(shè)計

通過TCN模型、LSTM-GCN演化模型，在虛擬貨幣交易網(wǎng)絡(luò)中可以有效整合時間卷積層與結(jié)構(gòu)卷積層，分別提取并融合時序特征與結(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一步整合。融合圖結(jié)構(gòu)信息和時序動態(tài)，并引入GCN圖嵌入機制，這一過程實現(xiàn)了對復(fù)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(xiàn)特征拼接，此優(yōu)化策略顯著增強了GCN模型在保留原鄰域節(jié)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(xù)的反洗錢節(jié)點分類任務(wù)奠定了堅實基礎(chǔ)。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(jié)果分析

4.1實驗數(shù)據(jù)集準備

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的趨勢。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，全面驗證虛擬貨幣反洗錢模型的有效性與實用性。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)計了166個特征指標(biāo)，其中含獨特非公開數(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，構(gòu)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(wǎng)絡(luò)已擴展到驚人的規(guī)模，包含12條核心交易路徑及4.1億個礦工節(jié)點信息。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 評估方法

在機器學(xué)習(xí)分類任務(wù)的評估框架內(nèi)，對模型能力進行審視時，需要采用一系列精確性指標(biāo)，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(biāo)均存在局限性，不足以全面評判模型表現(xiàn)。為此， F₁ 分數(shù)應(yīng)運而生，它通過整合召回率與精確率的優(yōu)點，為模型能力的評估提供了一個更全面且合理的標(biāo)準。表1所示為真實值與預(yù)測值的混淆矩陣。

表1真實值與預(yù)測值的混淆矩陣

表1中：TP表示正類預(yù)測正確數(shù)；FN表示正類誤判為負類數(shù)；FP表示負類誤判為正類數(shù)；TN表示負類預(yù)測正確數(shù)。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(xiàn)，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(shè)備及實驗環(huán)境

本文實驗設(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為實驗環(huán)境。

表2實驗環(huán)境

4.4實驗結(jié)果

在數(shù)據(jù)集方面，EIliptic數(shù)據(jù)集涵蓋49個時間步長，其中第43個時間步長標(biāo)志著某一比特幣交易市場的關(guān)閉。通過實驗觀察發(fā)現(xiàn)，市場關(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)的時序模型應(yīng)用中僅選用了前43個時間步長的數(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)點內(nèi)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(jié)構(gòu)信息與節(jié)點內(nèi)容的重要性。靜態(tài)網(wǎng)絡(luò)與動態(tài)圖卷積網(wǎng)絡(luò)精度對比結(jié)果見表3。

表3靜態(tài)網(wǎng)絡(luò)與動態(tài)圖卷積網(wǎng)絡(luò)精度對比

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 動態(tài)圖卷積網(wǎng)絡(luò)為最高水平，為 75.7% 。LSTM動態(tài)圖卷積網(wǎng)絡(luò)對召回率的提升高于其他模型，而GRU動態(tài)圖卷積網(wǎng)絡(luò)側(cè)重精確率提高。時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)域的實際需求，即將更多潛在嫌疑罪犯識別出來并納入監(jiān)控范疇，模型設(shè)計需進一步聚焦于增強召回率，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)，對其在治理虛擬貨幣刑事犯罪方面的應(yīng)用進行了研究，得出如下結(jié)論。

1）在RGCN模型圖嵌入層設(shè)計中，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間步長的特征進行精細的拼接融合，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；再利用隨機森林的決策樹模型在圖嵌人層進行集成學(xué)習(xí)，提高RGCN模型整體識別精度。

2）具有三層結(jié)構(gòu)的RGCN模型可降低時空開銷，結(jié)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(tài)圖卷積網(wǎng)絡(luò)在這一方面展現(xiàn)出卓越優(yōu)勢，召回率提升效果遠優(yōu)于其他多種模型。而GRU動態(tài)圖卷積網(wǎng)絡(luò)側(cè)重于精確率的提高。

3）時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景中，鑒于對潛在高風(fēng)險個體的重點監(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

[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(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)的疑犯社會活動位置預(yù)測[J].地球信息科學(xué)學(xué)報，2018，20（7）：929-938.

[4]李新光.基于智能優(yōu)化算法的犯罪情報預(yù)測方法研究[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（自然科學(xué)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(xué)，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(shù)的區(qū)塊鏈虛擬貨幣交易檢測機制[J].郵電設(shè)計技術(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.擴散模型在計算機視覺領(lǐng)域的研究現(xiàn)狀[J].智能系統(tǒng)學(xué)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(fēng)險、類型分析與監(jiān)管應(yīng)對[J].金融監(jiān)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(xué)報，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，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(shù)據(jù)治理。肖蔚（1989—），女，西安人，副科長，研究方向為智慧警務(wù)。