Розробка та реалізація передпроцесора графових ознак на основі диска для виявлення фінансування тероризму

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.340033

Ключові слова:

фінансування тероризму, обробка графів, алгоритми зовнішньої пам'яті, виявлення аномалій, відповідність

Анотація

Об'єктом дослідження є потокові платіжні транзакції, змодельовані як спрямовані мультиграфи. Це дослідження досліджує виявлення фінансування тероризму в мережах платіжних транзакцій за допомогою обробки графів на основі дисків та виявлення аномалій. Ключовою проблемою, що розглядається, є високе споживання пам'яті детекторами на основі графів, що перешкоджає аналізу в системах з обмеженою оперативною пам'яттю, типовою для малих та середніх фінансових установ.

Для вирішення цієї проблеми було створено дисковий препроцесор графових ознак (ДПГО). Під час обробки потоку ДПГО динамічно маркує підключені компоненти та ідентифікує вісім шаблонів графів, характерних для фінансування тероризму, включаючи зірки типу "розгалужені/розгалужені" та багатострибкові ланцюги. Система зберігає дескриптори компонентів у стовпчастому сховищі на SSD та використовує гарячий кеш, керований LRU, для обслуговування ознак, що дозволяє оцінювати транзакції в режимі реального часу з затримкою менше секунди.

У потоці AMLSim з двома мільйонами транзакцій система інтегрується з легким ізоляційним лісом (Isolation Forest) та досягає показника F1 0,76, одночасно зменшуючи піковий обсяг оперативної пам'яті з 18,3 ГБ до 9,8 ГБ та підтримуючи середню затримку 410 ± 15 мс для 10 000 транзакцій. Обчислення на мотив залишається ≤ 28,4 мс (медіана < 24 мс), що підтримує оцінювання в режимі реального часу на стандартному обладнанні.

ДПГО створює модельно-агностичні ознаки графів, які взаємодіють зі стандартними детекторами аномалій без перенавчання ГНМ.

Внесок цього дослідження включає архітектуру зовнішньої пам'яті для потокового вилучення ознак графів; схему маркування ознак на основі мотивів, що зберігається на SSD та кешується LRU; та емпіричну оцінку, що демонструє покращення продуктивності та ефективності пам'яті в режимі реального часу для даних боротьби з відмиванням грошей

Біографії авторів

Aigerim Bolshibayeva, International IT University

PhD, Acting Associate Professor

Department of Information Systems

Sabina Rakhmetulayeva, Satbayev University

PhD, Professor

Department of Cybersecurity, Information Processing and Storage

Aliya Kulbayeva, International IT University

PhD Student

Department of Information Systems

Ansar-Ul-Haque Yasar, Hasselt University

Professor

Transportation Research Institute (IMOB)

Посилання

  1. Money Laundering. Terrorist Financing. United Nations Office on Drugs and Crime. Available at: https://www.unodc.org/unodc/en/money-laundering/overview.html
  2. Crowdfunding for terrorism financing (2023). Financial Action Task Force. Available at: https://www.fatf-gafi.org/content/dam/fatf-gafi/reports/Crowdfunding-Terrorism-Financing.pdf.coredownload.inline.pdf
  3. U.S. Department of the Treasury. Available at: https://home.treasury.gov/
  4. Opportunities and Challenges of New Technologies for AML/CFT (2021). Financial Action Task Force. Available at: https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Opportunities-Challenges-of-New-Technologies-for-AML-CFT.pdf.coredownload.inline.pdf
  5. Anti-money laundering and countering the financing of terrorism at EU level. European Commission. Available at: https://finance.ec.europa.eu/financial-crime/anti-money-laundering-and-countering-financing-terrorism-eu-level_en
  6. Thakkar, H., Datta, S., Bhadra, P., Dabhade, S. B., Barot, H., Junare, S. O. (2024). Mapping the Knowledge Landscape of Money Laundering for Terrorism Financing: A Bibliometric Analysis. Journal of Risk and Financial Management, 17 (10), 428. https://doi.org/10.3390/jrfm17100428
  7. Altman, J., Blanuša, J., von Niederhäusern, L., Egressy, B., Anghel, A., Atasu, K. (2023). Realistic Synthetic Financial Transactions for Anti-Money Laundering Models. arXiv. https://doi.org/10.48550/arXiv.2306.16424
  8. Alarab, I., Prakoonwit, S., Nacer, M. I. (2020). Competence of Graph Convolutional Networks for Anti-Money Laundering in Bitcoin Blockchain. Proceedings of the 2020 5th International Conference on Machine Learning Technologies, 23–27. https://doi.org/10.1145/3409073.3409080
  9. Cardoso, M., Saleiro, P., Bizarro, P. (2022). LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering. Proceedings of the Third ACM International Conference on AI in Finance, 130–138. https://doi.org/10.1145/3533271.3561727
  10. Deprez, B., Vanderschueren, T., Baesens, B., Verdonck, T., Verbeke, W. (2024). Network Analytics for Anti-Money Laundering -- A Systematic Literature Review and Experimental Evaluation. arXiv. https://doi.org/10.48550/arXiv.2405.19383
  11. Egressy, B., Von Niederhäusern, L., Blanuša, J., Altman, E., Wattenhofer, R., Atasu, K. (2024). Provably Powerful Graph Neural Networks for Directed Multigraphs. Proceedings of the AAAI Conference on Artificial Intelligence, 38 (10), 11838–11846. https://doi.org/10.1609/aaai.v38i10.29069
  12. Mohan, A., P.V., K., Sankar, P., Maya Manohar, K., Peter, A. (2022). Improving anti-money laundering in bitcoin using evolving graph convolutions and deep neural decision forest. Data Technologies and Applications, 57 (3), 313–329. https://doi.org/10.1108/dta-06-2021-0167
  13. Lo, W. W., Kulatilleke, G. K., Sarhan, M., Layeghy, S., Portmann, M. (2023). Inspection-L: self-supervised GNN node embeddings for money laundering detection in bitcoin. Applied Intelligence, 53 (16), 19406–19417. https://doi.org/10.1007/s10489-023-04504-9
  14. Motie, S., Raahemi, B. (2024). Financial fraud detection using graph neural networks: A systematic review. Expert Systems with Applications, 240, 122156. https://doi.org/10.1016/j.eswa.2023.122156
  15. Weber, M., Domeniconi, G., Chen, J., Weidele, D. K. I., Bellei, C., Robinson, T., Leiserson, C. E. (2019). Anti-money laundering in Bitcoin: Experimenting with graph convolutional networks for financial forensics. arXiv. https://doi.org/10.48550/arXiv.1908.02591
  16. Asiri, A., Somasundaram, K. (2025). Graph convolution network for fraud detection in bitcoin transactions. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-95672-w
  17. Soria Quijaite, J. J., Segura Peña, L. V., Loayza Abal, R. I. (2024). Machine Learning Models for Money Laundering Detection in Financial Institutions. A Systematic Literature Review. Proceedings of the 22nd LACCEI International Multi-Conference for Engineering, Education and Technology (LACCEI 2024): “Sustainable Engineering for a Diverse, Equitable, and Inclusive Future at the Service of Education, Research, and Industry for a Society 5.0.” https://doi.org/10.18687/laccei2024.1.1.1682
  18. Zhu, X., Ao, X., Qin, Z., Chang, Y., Liu, Y., He, Q., Li, J. (2021). Intelligent financial fraud detection practices in post-pandemic era. The Innovation, 2 (4), 100176. https://doi.org/10.1016/j.xinn.2021.100176
  19. Anti-money laundering and combating financing of terrorism framework (2020). European Investment Bank. https://doi.org/10.2867/941947
  20. AI Fraud Detection in Banking. IBM. Available at: https://www.ibm.com/think/topics/ai-fraud-detection-in-banking
  21. Bhatia, S., Liu, R., Hooi, B., Yoon, M., Shin, K., Faloutsos, C. (2022). Real-Time Anomaly Detection in Edge Streams. ACM Transactions on Knowledge Discovery from Data, 16 (4), 1–22. https://doi.org/10.1145/3494564
  22. Oztas, B., Cetinkaya, D., Adedoyin, F., Budka, M., Dogan, H., Aksu, G. (2023). Enhancing Anti-Money Laundering: Development of a Synthetic Transaction Monitoring Dataset. 2023 IEEE International Conference on E-Business Engineering (ICEBE), 47–54. https://doi.org/10.1109/icebe59045.2023.00028
  23. Altman, E. (2019). IBM Transactions for Anti Money Laundering (AML). Available at: https://www.kaggle.com/datasets/ealtman2019/ibm-transactions-for-anti-money-laundering-aml
  24. Li, M., Jia, L., Su, X. (2025). Global-local graph attention with cyclic pseudo-labels for bitcoin anti-money laundering detection. Scientific Reports, 15 (1). https://doi.org/10.1038/s41598-025-08365-9
  25. Rakhmetulayeva, S., Kulbayeva, A., Bolshibayeva, A., Serbin, V. (2025). Identifying the graph-based typology features for machine learning models in financial fraud detection. Eastern-European Journal of Enterprise Technologies, 3 (9 (135)), 40–54. https://doi.org/10.15587/1729-4061.2025.327410
  26. Urmashev, B., Buribayev, Z., Amirgaliyeva, Z., Ataniyazova, A., Zhassuzak, M., Turegali, A. (2021). Development of a weed detection system using machine learning and neural network algorithms. Eastern-European Journal of Enterprise Technologies, 6 (2 (114)), 70–85. https://doi.org/10.15587/1729-4061.2021.246706
  27. Isolauri, E. A., Ameer, I. (2022). Money laundering as a transnational business phenomenon: a systematic review and future agenda. Critical Perspectives on International Business, 19 (3), 426–468. https://doi.org/10.1108/cpoib-10-2021-0088
  28. Gaviyau, W., Sibindi, A. B. (2023). Global Anti-Money Laundering and Combating Terrorism Financing Regulatory Framework: A Critique. Journal of Risk and Financial Management, 16 (7), 313. https://doi.org/10.3390/jrfm16070313
  29. Ercanbrack, J. G. (2024). Hawala in criminal court: the role of law and commercial culture in informal financial exchange. Crime, Law and Social Change, 82 (3), 659–683. https://doi.org/10.1007/s10611-024-10162-w
  30. Farber, S., Yehezkel, S. A. (2024). Financial Extremism: The Dark Side of Crowdfunding and Terrorism. Terrorism and Political Violence, 37 (5), 651–670. https://doi.org/10.1080/09546553.2024.2362665
  31. Rocha-Salazar, J.-J., Segovia-Vargas, M.-J., Camacho-Miñano, M.-M. (2021). Money laundering and terrorism financing detection using neural networks and an abnormality indicator. Expert Systems with Applications, 169, 114470. https://doi.org/10.1016/j.eswa.2020.114470
  32. Akartuna, E. A., Johnson, S. D., Thornton, A. (2024). Motivating a standardised approach to financial intelligence: a typological scoping review of money laundering methods and trends. Journal of Experimental Criminology. https://doi.org/10.1007/s11292-024-09623-y
  33. Bolshibayeva, A., Rakhmetulayeva, S., Ukibassov, B., Zhanabekov, Z. (2024). Advancing real-time echocardiographic diagnosis with a hybrid deep learning model. Eastern-European Journal of Enterprise Technologies, 6 (9 (132)), 60–70. https://doi.org/10.15587/1729-4061.2024.314845
  34. Rakhmetulayeva, S., Ukibassov, B., Zhanabekov, Z., Bolshibayeva, A. (2024). Development of data-efficient training techniques for detection and segmentation models in atrial septum defect analysis. Eastern-European Journal of Enterprise Technologies, 5 (2 (131)), 13–23. https://doi.org/10.15587/1729-4061.2024.312621
Розробка та реалізація передпроцесора графових ознак на основі диска для виявлення фінансування тероризму

##submission.downloads##

Опубліковано

2025-10-28

Як цитувати

Bolshibayeva, A., Rakhmetulayeva, S., Kulbayeva, A., & Yasar, A.-U.-H. (2025). Розробка та реалізація передпроцесора графових ознак на основі диска для виявлення фінансування тероризму. Eastern-European Journal of Enterprise Technologies, 5(9 (137), 104–116. https://doi.org/10.15587/1729-4061.2025.340033

Номер

Том 5 № 9 (137) (2025): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2025 Aigerim Bolshibayeva, Sabina Rakhmetulayeva, Aliya Kulbayeva, Ansar-Ul-Haque Yasar

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.