Vai al contenuto
Crypto.world

Ricerca

MixGuard: verso il rilevamento e la comprensione del riciclaggio tramite mixer su Ethereum

I mixer tutelano la privacy nascondendo i collegamenti tra depositi e prelievi, ma vengono anche sfruttati per riciclare fondi illeciti. Gli studi esistenti sull’antiriciclaggio non si concentrano…

MixGuard: verso il rilevamento e la comprensione del riciclaggio tramite mixer su Ethereum
arXiv
2609.27807
Pubblicato
2026-09-15
Autori
Qishuang Fu, Hang Zheng, Xihan Xiong, Joseph K. Liu, Yixin Liu, Shirui Pan, Qin Wang, Weiqing Wang, Zhipeng Wang, Tsz Hon Yuen

Abstract degli autori

I mixer tutelano la privacy nascondendo i collegamenti tra depositi e prelievi, ma vengono anche sfruttati per riciclare fondi illeciti. Gli studi esistenti sull’antiriciclaggio non si concentrano specificamente sul riciclaggio tramite mixer, mentre la ricerca sui mixer si occupa della deanonimizzazione anziché dell’individuazione delle transazioni legate al riciclaggio. I rapporti pubblici restano frammentari e non esiste un dataset pubblico di singoli casi per effettuare misurazioni e rilevamenti sistematici. Per colmare questa lacuna, questo studio presenta la prima analisi completa del riciclaggio tramite mixer su Ethereum. Costruiamo innanzitutto \textsc{MixLaunder}, il primo dataset pubblico di singoli casi di riciclaggio tramite mixer. Comprende 27 casi che coinvolgono Tornado Cash e Railgun dal 2020 al 2025 e identifica 9.300 transazioni legate al riciclaggio, associandole ai rispettivi casi e ai flussi di fondi osservabili a monte e a valle, inclusi depositi per un totale di circa \$1,1 miliardi. Confrontando queste transazioni con il normale utilizzo dei mixer, individuiamo cinque strategie ricorrenti. Mostriamo che le prove del riciclaggio emergono da contesti complementari, relativi sia ai comportamenti sia ai flussi di fondi, mentre l’attività riconducibile allo stesso caso è strettamente concentrata a livello locale, ma presenta collegamenti deboli tra un picco di attività e l’altro. La nostra analisi rivela inoltre lacune nei controlli del rischio effettuati dai mixer e nelle euristiche rappresentative di deanonimizzazione. Sulla base di questi risultati, sviluppiamo \textsc{MixGuard}, che combina l’apprendimento delle rappresentazioni da tre prospettive con un raggruppamento in due fasi per rilevare le singole transazioni e raggrupparle tenendo conto dei casi. In una valutazione rigorosa che esclude interi casi dai dati di addestramento, \textsc{MixGuard} supera i metodi di riferimento rappresentativi, raggiungendo una precisione di rilevamento del 97,89\% e una purezza dei gruppi del 98,73\%, mentre i suoi primi dieci gruppi comprendono in media il 95,09\% delle transazioni di ciascun caso.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv