Skip to content

交易图上的洗钱迷宫——非法交易抱团到什么程度?36,624 条边的实测答案 ​

先验直觉:洗钱团伙会把资金拆成无数小笔、绕很多账户,以为这样就能"混进"正常交易流。Elliptic 比特币交易网络(20.4 万交易节点、23.4 万条边,官方标注)确实给出了图论层面的证据——非法交易之间抱团,强度是随机连接的 5.7 倍,p 值小到测不出。但抱团的程度容易被夸大:本文实测非法节点的邻居里只有约一半是非法,最大连通分量的非法占比甚至低于全图平均。真实的洗钱图景不是"独立王国",而是"局部高密度小圈子嵌在合法络里"——这个差别,直接决定图算法该抓什么。

关键词:反洗钱,图算法,交易网络,团伙检测,连通分量,同配性,AML


交易网络里怎么找到洗钱的人?一个直觉是"看金额":大额、频繁、异常路径。但洗钱团伙早就不这么干了——他们把资金拆碎、分层、绕圈,单笔交易看起来都"正常"。

真正的破绽不在单笔交易,在交易之间的关系。把每笔交易当成节点、交易往来当成边,洗钱活动会在图上留下痕迹:同类节点倾向于彼此连接。

01 先看清数据:标签怎么定义的 ​

Elliptic 的 class 字段有三个值,编码容易看错,本文全部结论都建立在这套定义上:

class 值含义节点数
1illicit(非法)4,545
2licit(合法)42,019
unknown未标注157,205

⚠️ 这是本文写作中实际踩到的坑:该数据集的非法标签是 1、合法是 2。若按直觉理解成"1=好、2=坏",或把 unknown 混入非法,得到的全部结论都会颠倒。本文初版即因此得出"非法节点 33,390 个、平均度 2.08"这类数字——那其实是把 unknown 和合法节点当成了非法。

只看两端都有标注的边(已知类别子图),得到 35,874 个节点、36,624 条边,其中非法 2,484 个(6.92%)、合法 33,390 个。下面所有结论都基于这个子图。

02 同配性是真的,但富集倍数不是"99.8%" ​

同配性(assortativity)——"同类节点倾向连接同类"——用组内连接占比度量:

Phomophily=同类节点之间的边总边数

实测边构成:

边类型条数占比随机期望富集
非法–非法9982.72%0.48%5.68×
合法–合法33,93092.64%——
混合1,6964.63%——

同配性与富集倍数

非法–非法边的占比是随机期望的 5.68 倍。做标签置换检验(B=2000)进一步确认:零分布下同类边占比 87.10% ± 0.44%,实测 95.37%,p < 0.0001——这个聚集不是巧合。

但"非法节点的邻居 99.8% 也是非法"这个流传很广的说法,在本数据上不成立。 实测非法节点的邻居构成:

非法节点中有邻居的: 2,484 个
邻居中非法占比: 均值 51.0%   中位 50.0%
相对基线 6.92% 的富集: 7.36 倍

均值恰好一半。也就是说,一个非法节点的邻居,一半非法、一半合法。7.36 倍的富集确实说明"往非法聚集",但离"几乎全是非法"差得很远。

为什么会有这种差异?两个可能来源:一是那类说法多来自只取高密度子分量的统计口径(在小圈子里算邻居占比,自然接近 100%);二是把 unknown 节点算成了合法或非法,稀释或抬高了比例。口径不说清楚,"99.8%"和"51%"可以指同一个图。

03 度分布:非法节点并不更"忙碌" ​

原文有一个诱人的叙事——非法节点连接更多、是网络枢纽。实测方向是反的:

组别节点数平均度中位度度 > 10 占比
非法2,4841.48610.52%
合法33,3902.08321.30%

非法vs合法度分布

合法节点的平均度和高连接占比都高于非法节点(Mann-Whitney U 检验,合法 > 非法 p = 6.3e-86)。这与"枢纽账户中转洗钱资金"的直觉相反。

合理的解释是:比特币交易图里,度反映的是"参与交易中介"的程度——交易所、支付服务商这类合法主体天然连接大量对手方;而非法节点多处于转账链条的中间环节,每笔资金只经过它一次(入一次、出一次),度自然偏低。非法性的信号在"和谁连",不在"连了多少"——这一点对特征工程有直接含义:该做邻居构成特征,度数只当辅助。

04 连通分量:不是"独立王国",而是"嵌在合法网络里" ​

把图切成连通分量:

分量数: 2,719 个    最大分量: 1,279 节点(占子图 3.6%)
最大分量非法占比: 0.86% (11/1279)   ← 低于全图 6.92%
Top5 分量规模: [1279, 1136, 941, 940, 879]

连通分量

最大分量的非法占比只有 0.86%,反而低于全图平均 6.92%。 这与"最大分量是洗钱团伙的独立王国"的推测完全背道而驰——最大的连通块恰恰是合法主体互相连接形成的,非法节点零星散布其中。

这个反直觉结果有重要实践含义:"先切分量、再按分量非法浓度抓团伙"这个思路,在本数据上会失灵——因为非法节点确实和合法节点大量相连(这正是上一节 51% 的来源),它们没有被隔离成独立社群。要抓团伙,得用非法浓度显著高于基线的局部子图(比如从已知非法节点做 2 跳扩散,看局部密度),全局最大分量反倒是最不该用的那个。

05 图特征:该做哪几个 ​

图分析不能只停留在画图上,要把结构变成特征喂给模型。

度与中心性:

degree(v)=∑u∈N(v)1,betweenness(v)=∑s≠t≠vσst(v)σst

但如第 03 节所示,度特征在本数据上区分度弱且方向反直觉,不宜作为主特征;介数中心性对"中转节点"仍有意义,只是要意识到合法机构同样是高介数节点,单靠它会产生大量误报。

聚类系数(局部三角密度):

C(v)=2⋅|{triangles containing v}|degree(v)⋅(degree(v)−1)

邻居构成(本文最有力的一条):非法节点邻居中非法占比均值 51.0%,相对基线 6.92% 富集 7.36 倍。把"邻居非法浓度"做成特征,是这几类图特征里区分度最高、方向也最符合直觉的一个:

fneighbor(v)=|{u∈N(v):label(u)=illicit}||N(v)|

存量非法标签越多,这个特征的覆盖越好——图特征的价值随已知标签积累而增长,这是它与静态特征的根本区别。

06 业务落地:AML 图谱的四个动作 ​

第一,用"邻居非法浓度"代替"度数"。 本数据证明非法性体现在连接对象而非连接数量上。落地时对每个待查账户计算邻居中的已知非法占比,高于基线的倍数(本文 7.36×)——注意这里比的是富集倍数,不是绝对比例,因为不同机构基线差异大。

第二,团伙检测改用局部子图密度,别用全局最大分量。 本文最大分量非法占比 0.86%,低于全局 6.92%——全局分量切分会把大批合法主体一起圈进来,产生大量误报。可行做法是从已知非法节点出发做 1–2 跳扩散,统计局部非法密度,密度显著超基线的簇才作为团伙候选。

第三,中介/枢纽节点双向复核。 高介数节点既可能是洗钱中转,也可能是交易所这类合法主体。不能只凭中心性打标,必须叠加主体类型与业务属性——把中心性当"排查优先级",不要当"定性依据"。

第四,图特征驱动迭代打标。 已知非法标签 → 计算邻居浓度 → 高浓度未标注节点进人工队列 → 新增标签回流。这个闭环让图特征随时间变强,是 AML 图谱相对规则引擎的独有优势。


关键要点

  • 标签口径先行:Elliptic 中 1 = 非法、2 = 合法,unknown 必须单独处理;口径错则全部结论颠倒(本文初版即踩此坑)
  • 同配性真实存在:非法–非法边占比 2.72%,是随机期望 0.48% 的 5.68 倍,置换检验 p < 0.0001
  • 但富集 ≠ 垄断:非法节点的邻居中非法占比均值 51.0%(富集 7.36×),不是"99.8% 全是非法"
  • 度分布方向反直觉:非法节点平均度 1.486 < 合法 2.083(p = 6.3e-86)——非法性在"和谁连"不在"连多少"
  • 最大连通分量不是洗钱窝点:其非法占比 0.86%,低于全图 6.92%——非法节点嵌在合法网络里,没被隔离
  • 落地四动作:邻居非法浓度入模、局部子图密度替代全局分量、枢纽节点双向复核、图特征驱动迭代打标

数据说明:Elliptic Data Set(203,769 个交易节点、234,355 条边;非法 4,545、合法 42,019、未标注 157,205),Elliptic 公司公开,比特币反洗钱标准数据集。本文结论基于两端均有标注的子图(35,874 节点 / 36,624 边),seed=42 可复现。

方法说明:同配性显著性用标签置换检验(B=2000,保留原始边结构、仅置换节点标签);度分布差异用 Mann-Whitney U 检验(单尾,合法 > 非法);邻居非法浓度在全部 2,484 个有邻居的非法节点上统计(非抽样)。

结论边界:

  • 本文只覆盖已知标注子图。未标注的 157,205 个节点(占全图 77%)被排除在外——它们既可能含大量非法节点,也可能改变同配性估计。"邻居非法占比 51%"是已知子图内的结论,不能外推为全网络真实比例。
  • 本数据的"非法"是 Elliptic 公司的事后标注,"未知"不等于"清白"。用已知标签算出的浓度特征天然偏向已被识别的手法,对新型洗钱模式覆盖不足。
  • 同配性是一个描述性统计,不构成因果:它说明"非法节点互相连接更多",不能说明"连接非法节点会导致非法"。特征入模前须在时间外样本上验证稳定性。
  • 数据为比特币交易图(2011–2013 年区间),与银行账户转账网络的度分布、节奏差异很大;本文的"度低不是信号"结论在其他网络类型上未必成立,需各自实测。
  • Elliptic 为小规模公开数据集,不能代表生产环境的规模与噪声水平。

代码环境:Python 3.11 + networkx + duckdb + scipy + matplotlib;完整脚本留档于文章目录 analyze_v2.py(含标签口径校验、置换检验与置信区间)。


AI 辅助创作 · 数据实测与结论推导由作者完成。

© QIAN数据 · AI工具实验室

关注公众号:QIAN数据