中國研究團隊開發名為 E-GTNet 的人工智慧模型，透過分析比特幣交易紀錄，有效辨識洗錢、勒索軟體支付等不法活動，並能視覺化這些犯罪網絡的演變，為打擊加密貨幣犯罪提供新工具。
全球範圍內，比特幣（Bitcoin）等加密貨幣（一種數位貨幣，透過密碼技術確保交易安全）因其匿名性與跨境交易特性，成為不法活動如勒索軟體支付和洗錢的溫床。為此，中國東南大學與 Peng Cheng Laboratory 的研究人員共同開發了一套名為 E-GTNet 的混合式人工智慧框架，旨在偵測這些非法比特幣交易。
傳統的機器學習方法往往將交易視為獨立事件，難以捕捉去中心化與匿名加密貨幣環境中錯綜複雜的關聯性，導致偵測網路犯罪（透過網路進行的犯罪行為）效果不佳。E-GTNet 則將比特幣的交易帳本視為一個異構交易圖，將位址視為節點，價值流動視為邊緣，並融入了時間演變的特性，能有效解析這些關聯。
E-GTNet 融合了三種深度學習元件：一種利用邊緣層級特徵的「邊緣感知注意力機制」、一種聚合鄰近資訊的「圖形卷積結構」，以及捕捉交易動態的「時序序列建模」。此外，該模型採用 Transformer 風格的骨幹網路進行圖形推理，能捕捉遠端相依性，這對於偵測精微、多跳的非法模式至關重要。
研究團隊利用公開可用的 Elliptic Bitcoin transaction dataset 進行驗證，該資料集是反洗錢研究的基準。E-GTNet 經訓練後可作為異常偵測系統，區分異常與合法節點。他們也使用 Neo4j 圖形資料庫來視覺化模型識別出的異常交易圖，為執法部門和鑑識調查人員提供了實用的工具。
視覺化結果顯示，不法活動的結構會隨著時間演變，從簡單的線性鏈條轉變為更為複雜和隱蔽的模式，這突顯了適應性偵測系統的重要性。研究人員 Fan Wu、Wei Yin、Xiaoyan Hu 和 Xinxin Luo 指出，E-GTNet 能將抽象的預測轉化為可操作的情報，幫助執法單位擺脫靜態規則的限制，追蹤犯罪網絡的變異。
儘管 E-GTNet 在結構和時間模式學習方面表現出有效性，目前主要依賴單一公開資料集進行評估，且犯罪分子不斷演變的規避策略仍帶來持續挑戰。