Using visibility graphs for the detection of illicit cryptocurrency transactions

Abstract

The decentralised and pseudoanonymous nature of cryptocurrencies has transformed the modern financial environment dramatically by creating the possibility of transnational payments without intermediaries. While improving efficiency and access to finance, these innovations also facilitate large-scale illegal and fraudulent activities that are difficult to detect using conventional regulatory toolsets. The limitations of traceability in blockchain technology, along with the obfuscated and dynamic nature of suspicious behaviour, require new analytical models that move beyond static, rule-based solutions. Illegal or fraudulent cryptocurrency transactions are particularly challenging to detect due to the class imbalance of labelled data, the ever-evolving tactics used to evade detec tion, and the need for interpretable results in regulated environments. Current techniques, encompassing both machine learning and graph-based methodologies, appear unlikely to exhibit the requisite temporal sensitivity and explainability necessary for effective operational deployment. This thesis proposes a novel method to detect illicit cryptocurrency transactions using Visibility Graphs (VGs). VGs transform time series founded on transactional features to network representations, preserving temporal and structural information. From the publicly available Elliptic++ dataset, the approach divides transactions by time step and utilises Natural Visibility Graphs (NVGs) to build graphs from feature selection. Graph- theoretical measures such as average degree, clustering coefficient, and various centrality measures are queried and analysed using interval-based discriminative analysis. The results show that measurements derived from VG, particularly the average degree, can distinguish between licit and illicit transactions successfully under main attributes such as overall Bitcoin input and the number of output addresses. Additionally, combining Synthetic Minority Oversampling Technique (SMOTE) with Tomek Links resulted in marginally improved separability in themeasurements, which proves its efficiency at enhancing signal clarity within skewed data sets. Overall, this study demonstrates that VGs is a straight forward and flexible model of suspicious patterns of cryptocurrency transactions analysis. It introduces a new inter- pretive mechanism for identifying illegal activities and lays the foundation for large-scale, temporal graph-based financial crime analysis.

A natureza descentralizada e pseudoanónima das criptomoedas transformou radicalmente o ambiente financeiro moderno, criando a possibilidade de pagamentos transnacionais sem intermediários. Embora melhorem a eficiência e o acesso ao financiamento, estas inovações também facilitam actividades ilegais e fraudulentas em grande escala que são difíceis de detetar utilizando os conjuntos de ferramentas regulamentares convencionais. As limitações da rastreabilidade na tecnologia blockchain, juntamente com a natureza. ofuscada e dinâmica do comportamento suspeito, exigem novos modelos analíticos que vão além das soluções estáticas e baseadas em regras. As transacções ilegais ou fraudulentas de criptomoedas são particularmente difíceis de detetar devido ao desequilíbrio de classe dos dados rotulados, às tácticas em constante evolução utilizadas para evitar a deteção e à necessidade de resultados interpretáveis em ambientes regulamentados. As técnicas actuais, que englobam tanto a aprendizagem automática como as metodologias baseadas em gráficos, parecem pouco susceptíveis de apresentar a sensibilidade temporal e a explicabilidade necessárias para uma implantação operacional eficaz. Esta tese propõe um novo método para detetar transações ilícitas de criptomoedas usando VGs. O VGs transforma séries temporais baseadas em caraterísticas transacionais em representações de rede, preservando informações temporais e estruturais. A partir do conjunto de dados Elliptic++ publicamente disponível, a abordagem divide as transacções por passo temporal e utiliza NVGs para construir gráficos a partir da seleção de caraterísticas. As medidas teóricas dos gráficos, como o grau médio, o coeficiente de agrupamento e várias medidas de centralidade, são consultadas e analisadas através de uma análise discriminativa baseada em intervalos. Os resultados mostram que as medidas derivadas de VG, em particular o grau médio, podem distinguir entre transacções lícitas e ilícitas com sucesso sob atributos principais como a entrada global de Bitcoin e o número de endereços de saída. Além disso, a combinação de SMOTE com Tomek Links resultou em uma separabilidade marginalmente melhorada nas medições, o que prova sua eficiência em aumentar a clareza do sinal em conjuntos de dados distorcidos. Em geral, este estudo demonstra que VGs é um modelo simples e flexível de análise de padrões suspeitos de transacções de criptomoeda. Ele introduz um novo mecanismo interpretativo para identificar atividades ilegais e estabelece a base para a análise de crimes financeiros em larga escala, baseada em gráficos temporais.