背景调研
碳交易是温室气体排放权交易的统称，在《京都协议书》要求减排的6种温室气体中，二氧化碳为最大宗，因此，温室气体排放权交易以每吨二氧化碳当量为计算单位。在排放总量控制的前提下，包括二氧化碳在内的温室气体排放权成为一种稀缺资源，从而具备了商品属性。
碳交易市场机制
2022_江西财经大学_基于双碳目标的碳交易市场机制优化研究_刘翔
碳交易市场机制作为一种重要政策工具，可以有效促进碳减排目标的实现。利用市场机制，引导各类型企业积极开展碳减排，并参与到市场交易中来。一般先由政府设定整体的减排目标，然后向纳入管控体系的企业分配初始碳排放权，企业拿到碳排放权后便可以自由进行交易；减排成本较低的企业在经济刺激下，开始带头减少排放，持有的碳排放权会有剩余，然后出售给减排成本较高的企业，从而获得经济收益。这些减排成本较高的企业，通过交易的形式可以以较低成本完成履约，最终实现社会减排的最小成本化。
碳交易市场机制的基本框架分三层：第一层是基础，其中包含了碳排放权的形成机制和分配机制；第二层是主体，其中包含了交易机制和价格形成机制；第三层是保障，其中包含了登记核查和市场监管机制。
碳交易中的犯罪行为
2022_现代世界警察_碳交易犯罪十宗罪_田颖
1.利用测量数据，夸大剩余的碳排放积分
其一，在制定项目计划时夸大可能产生的碳排放量；其二，夸大项目可能减少的碳排放量。很多发展中国家获取可靠数据的途径有限，没有专业的机构监控数据收集过程，为不法分子提供了大量操控碳排放数据的机会。
2.出售并不存在或属于他人的碳积分
- 难以阻止碳权拥有者将碳权出售给多家公司或个人。
- 如果有人利用欺骗手段得到了项目，并得到了碳权，本国的执法者很难察觉，除非他们定期核查政府的碳交易记录。
3.夸大、谎报投资碳市场可能获取的环境和经济效益，误导、引诱公众投资
碳交易市场是新兴市场，人们了解不足。不法分子正好利用了人们的“天真无知”，大肆宣传投资碳交易的潜在收益，编造谎言，引诱投资。
4.利用法规漏洞实施金融犯罪
多种与庞氏骗局类似的金融诈骗也同样频频出现在碳交易中。金融行业的监管者们需要对碳交易市场中诸如证券欺诈、偷漏税和洗钱等“白领”犯罪时刻保持警惕。目前，全球金融市场的监管仍不完善，碳交易的复杂性更是加大了对它进行金融监管的难度。
5.税金诈骗
欧盟发生多起税金诈骗案件，尤其是偷逃增值税案件。欧洲的碳交易市场涉及多辖区交易，增值税的法规存在差异，成为税金诈骗的高发区。碳交易在多个国家间进行，调查难度大。多次发生调查还在进行中，而不法分子却早已拿着偷逃的税款远走高飞的事件。
6.证券欺诈
在碳交易中实施的证券欺诈指违反证券法，使用欺骗手段、向投资人提供错误信息引诱他们进行碳积分买卖，造成经济损失的行为。常见手段有操纵碳积分价格，或私吞投资人的交易款额（如证券交易人挪用投资款）。
7.转让错误定价*
转让定价是指关联企业之间在销售货物、提供劳务、转让无形资产时制定的价格。需要购买碳积分来抵消自己碳排放的企业很可能也需要投资碳排放衍生品交易，或者可以提供碳积分的企业。这种商业需求增加了相关参与公司对碳积分进行错误定价的可能性。转让错误定价，也被称为操纵转让定价，在跨国经济活动中，利用关联企业之间的转让定价进行避税已成为一种常见的税收逃避方法。
8.洗钱*
购买碳积分已经成为不法分子洗钱的手段之一。他们通过碳交易经纪人用现金购买碳积分，然后像其他商品交易一样卖出，最终将交易所得存入金融机构（往往在境外）。
9.实施网络犯罪和电脑黑客窃取碳积分
碳积分和交易记录的数字化本质总能给电脑黑客以可乘之机。每一个碳积分都有独特的识别码，如果被盗可以进行追踪，但是因为监管力度不足，尤其是被窃积分在其他国家交易的时候，超出了国家的司法管辖范围，因此很难进行追查。
10.盗用他人身份或个人信息
不法分子还利用钓鱼式攻击窃取碳交易市场投资人和客户的用户名、密码、银行资料等个人信息，用于非法转移资金和/或碳积分。
2015_北大核心_国际视野下的碳金融犯罪法律问题研究_樊威
（一）增值税诈骗
增值税（value-added tax）是以商品（含应税劳务）在流转过程中产生的增值额作为计税依据而征收的一种流转税，对商品生产、流通、劳务服务中多个环节的新增价值或商品的附加值征收。增值税诈骗作为一种税务欺诈，在碳市场出现之前已被犯罪分子广泛应用于项目价值高，但体积小，很容易跨越国界运输的商品交易上（如手机或电脑芯片）。然而随着碳配额和碳信用额的出现，因为不需要产品跨辖区发货，而只是对其进行电子系统内的转移，此类诈骗就变得更有吸引力了。
（二）证券欺诈
诈骗行为主要有内幕交易、 操纵市场、地下信用交易、欺诈客户、虚假陈述等。 在碳市场中的证券欺诈行为主要表现为违反证券法律，使用欺骗手法诱使投资者在虚假信息的基础上作出购买或出售碳排放额度的决定，从而造成客户利益受损。 通常投资者在进行交易的时候是无法直接观察到投资价值所在的，这就需要相关专业中间人向投资者如实公开相关信息、遵守诚信原则。 而碳市场中已经出现了中间人为追求利益，通过谎报、虚报、遗漏、隐瞒等方式误导投资者做出投资，从中渔利，赤裸裸的如同盗窃投资者利益的操纵碳价格的行为。
（三）操纵交易价格
操纵交易价格也叫交易定价错误，是两个交易方之间通过操纵商品定价进行交易从而达到避税的目的。 两个不相干的公司相互交易（被称为“臂长”交易-保持距离）是被普遍接受，因为他们会按照市场价格进行交易，是产品在市场所进行的真正的谈判。 但是当两家关联公司（母公司和其附属公司，或由一个共同的母公司控制的两家附属公司）成为贸易的双方，他们就可能人为地扭曲交易的价格，在低赋税或零赋税的避税天堂获取尽可能多的利润，从而最大限度地降低整体税费。碳排放额度的价格操纵通常通过以下两种方法：第一种是大型贸易商一面向他们的客户推荐买或者卖，一方面用自己的碳信用额做相反的操作；还有另一种方法是通过给这些公司发布的商品清单调整单指数比重，以包括更多的碳信用额。该调整将导致需求的增加，并吸引更多的投资进入碳市场，以推升碳商品的价格。
（四）洗钱
洗钱是隐瞒或掩饰违法所得的本质， 使它们看起来有合法来源的行为。通常表现为清洗非法获得的资金以掩盖真正的所有人，然后通过各种中间机构使其全球移动，这样非法资金被隐藏并纳入到合法的业务和经济体系中。洗钱通常有“替代”、“隔离”、“集成”三个步骤：第一步犯罪收益通过一些手段（通常以现金的形式）被引入金融体系（“替代”）；第二步通过进行复杂的金融交易伪装非法来源（“隔离”）；最后一步 是将这些非法资金再用于投资以取得财富（“集成”）。各国已经注意到，犯罪分子通过经纪人用现金购买碳信用额度，然后反复交易，将其多次出售，最后将资金收回并存入金融机构。这实质上就是通过购买碳信用的金融衍生品进入金融市场和体系，随后在交易中隐藏非法来源，使得非法资金难以被追踪，最终达到洗钱的目的。同时公司开发的产生碳信用额度的项目也可能会被犯罪分子作为一种过滤非法所得资金的机制加以利用，特别是针对一些监管和法制都不太健全的发展中国家的开发项目。
北京绿色交易所碳排放权交易规则（试行）
交易品种与形式
2.3.1在本所市场挂牌的交易品种包括：
（一）碳排放配额（代码BEA）；（二）经相关主管部门批准的其他交易产品。
2.3.2交易形式包括：
（一）公开交易；（二）协议转让；（三）经市生态环境局或市金融局批准的其他交易形式。
申报与报价
3.2.1交易参与人通过互联网自助方式发出交易指令。本所应当记录交易参与人发出交易指令的IP地址等信息。
3.2.2提出申报的交易参与人称为申报方；回应申报的并提出报价的交易参与人称为应价方。
3.2.3 交易参与人在发送申报/报价指令前，必须保证其交易账户中持有满足成交条件的碳排放权或资金。
3.2.4 申报包括买入申报和卖出申报。申报方提出买入碳排放权的申报称为买入申报；申报方提出卖出碳排放权的申报称为卖出申报。
3.2.5 申报的交易方式分为整体竞价交易（以下简称“整体交易”）、部分竞价交易（以下简称“部分交易”）和定价交易三种方式。
整体交易方式下，只能由一个应价方与申报方达成交易，每笔申报数量须一次性全部成交，如不能全部成交，交易不能达成。
部分交易方式下，可以由一个或一个以上应价方与申报方达成交易，允许部分成交。
定价交易方式下，可以由一个或一个以上应价方与申报方以申报方的申报价格达成交易，允许部分成交。
深圳排放权交易所异常情况处理实施细则（暂行）
交易过程中可能出现的异常事件包括：
（一）价格异常，指在市场行情较平稳、清淡时，价格突然出现剧烈波动，在较短的时间内价格突然出现剧烈波动；
（二）交易异常，指由于各种原因造成本所或者本所会员无法实现正常交易的现象；
（三）成交异常，指会员的成交违反本所规定，或者有成交量异常增加、不能成交等现象；
（四）资金异常，指交易系统中资金在较短的时间内有较大的变化或各种资金之间的逻辑出现差异等现象；
（五）出入金异常，指不能通过第三方存管银行实现正常的出入金，或者长期未使用的账户或资金量较小的账户突然出现大量入金，或者账户交易量较小，但却频繁出入金等现象；
异常交易
2022北大核心-基于多特征融合的区块链异常交易检测_林伟
目前常见的区块链异常交易检测方法有基于机器学习、基于传统神经网络和基于图神经网络3种。**基于传统机器学习的区块链异常交易检测方法主要是通过对训练集进行特征提取、特征选择，再由机器学习算法判别预测样本的类别。常用的机器学习分析算法有KNN、支持向量机、Adaboost等。**JULLUM[2]等人设计一种基于XGBoost的反洗钱机器学习模型，实验结果表明，该模型的效果优于银行现有的反洗钱系统。陈彬杰[3]等人提出一种基于KNN的具有隐私保护功能的区块链异常交易检测方法，该方法使用KNN对通过矩阵乘法随机化后的交易数据特征进行异常检测。实验结果表明该模型效果较好。**深度学习能够自动提取初级特征并组合成高级特征，逐渐成为各个领域的研究热点。**朱会娟[4]等人设计了一种基于残差网络结构ResNet32的区块链异常交易检测模型，该模型具备自适应自动学习数据集高层抽象特征的能力，取得了较好的效果。LI[5]等人提出一种将LSTM融合到自编码器中的模型，通过模型生成时间特征，实验结果表明生成的特征有助于非法地址的识别。**图神经网络是新兴的捕获关系信息的方法，区块链交易数据可以构成图形数据。因此，有学者将图神经网络应用于区块链交易数据检测领域。**郑海潇[6]等人提出一种基于多层感知器与图神经网络结合的检测比特币网络中非法交易的方法，并与文献[7]提出的图神经网络算法进行比较，实验结果表明文献[6]的算法效果更好。通过文献梳理发现，目前区块链异常交易检测的研究大都只考虑数据的变量特征，在表征数据的时域关系方面还存在一定的局限性。
2021通信学报-基于多特征自适应融合的区块链异常交易检测方法
问题：
1.智能化反洗钱监管方案的首要目标是精准识别区块链上的异常交易，其难点和问题在于：从错综复杂的区块链交易中抽取的原始特征不可避免地存在部分重要关联信息缺失的问题，且受时间、市场行情或恶意攻击等诸多不可控因素影响，原始特征对合法/非法交易的表征能力和区分能力较弱；需要从持续增长的海量交易中准确高效地对少量非法交易进行分类（即正负样本数量极端不平衡）。深度学习凭借其强大的自动特征学习能力给此类问题提供了新的解决方向[5]。
2.ResNet-32 提取的高层抽象特征包含了丰富的语义信息，但低层原始特征更倾向于对交易细节本身的描述，如何充分结合两者的优势以进一步提升异常交易检测的性能成为一个迫切需要解决的问题。
方法：
1.设计了一种残差网络结构 ResNet-32，用于挖掘孤立特征间错综复杂的关联关系，以期自动学习包含丰富语义信息的高层抽象特征。
2.提出了一种提升区块链异常交易检测性能的观点，即通过自适应特征融合方法充分挖掘高层抽象特征和原始特征各自的优势。
3.基于本文提出的 3 种自适应特征融合方法，提出了一种新的区块链异常交易检测模型，并在 Elliptic 数据集上验证了所提模型在区块链异常交易检测方面的有效性。
区块链技术的快速发展促使信息互联网向价值互联网转型，其应用场景广泛，但由于监管机制的缺乏衍生出许多风险或违法违规行为，如洗钱、逃税和非法 ICO 融资等。各国纷纷拟将区块链技术纳入监管体系，其中异常交易检测对区块链产业的健康发展起到了积极的推动作用。基于KYC（know your customer）的传统金融监管体系中，异常交易检测的常规方案是首先设计基于固定阈值规则的警报系统来检测和标记可疑交易，然后对可疑行为进行人工决策或判断[10]。虚拟“数字货币”等互联网金融的出现导致基于规则的监管方案面临巨大挑战。打破传统的反洗钱监管思维，构建以数据为基础、以人工智能和大数据分析等技术为手段的智能化反洗钱监管方案已成趋势。
Weber 等[3]将比特币交易映射为庞大、复杂的图结构，并提取交易数量、交易金额等相关特征，然后采用图卷积网络（GCN, graph convolutional network）算法区分非法和合法交易；Jullum 等[10]利用发送方/接送方的背景、交易早期行为和交易历史等信息训练 XGBoost 有监督预测模型，以识别金融交易中潜在的洗钱行为，并应用于银行。Paula 等[12]从注册信息、金融交易及电子发票等相关类别中提取 18 个重要特征并结合自编码器（AE, auto-encoder）算法训练无监督深度学习模型，以检测和反洗钱相关的出口欺诈。
首先，采用经典的 LR 分类器评估 Elliptic 数据集中 166 维原始特征（包括比特币交易的局部特征和近邻聚合特征）对正常交易和异常易的区分能力，以其作为基准，评估了本文设计的 ResNet-32残差网络的特征学习能力和所提不同层次的多特征自适应融合方法对区块链交易异常检测性能的提升；其次，针对区块链交易具有较强时效性的特点，进一步评估了 BATDet 模型在新发生异常交易检测时的稳健性；最后，在同等实验条件下，将BATDet 模型与经典智能检测模型，如 k 最近邻（KNN, k-nearest neighbor）、决策树（DT, decision tree）、多层感知机（MLP, multilayer perceptron）、朴素贝叶斯（NB, naive Bayesian）、Adaboost 和梯度提升树（GBDT, gradient boosting decision tree）进行对比，以评估其整体有效性。BATDet 模型中各特征学习与融合方法均采用 LR 分类器进行验证。
联邦学习+异常检测
2022北大核心_基于联邦学习的SDN异常流量协同检测技术_陈何雄
本文结合 SDN 网络的拓扑结构与流量特征，提出了基于联邦学习的SDN 异常流量协同检测技术。首先，利用 SDN 网络中的检测节点，构建基于联邦学习的多检测点协同检测架构；然后，通过信息熵计算提取流量特征，从相对熵的角度分析检测节点的流量关联度，并根据此关联度制定模型训练过程中的参数聚合优化策略，以提高模型的适应能力；最后，将该策略用于所提架构，进行多检测节点异常流量检测模型的协同训练与优化，提升检测模型对异常流量的识别准确率。
基于机器学习的检测算法被广泛研究,如支持向量机算法、最邻近规则分类算法、K 均值聚类算法等。但是，这些算法虽然能够检测出异常，却忽略了异常行为之间可能存在的关联度，如时序关联度，这使得与时间相关的多步攻击行为难以被检测到。文献[15]提出将联邦学习架构与机器学习算法相结合，以解决训练数据的缺乏，提升检测准确率。可是，在传统联邦学习中，由于参数更新时直接使用全局参数进行训练，最终得到的是全局唯一的模型，并未考虑检测模型的应用环境和数据差异，如此，模型性能很难在不同应用环境下充分发挥。提出了基于联邦学习的异常流量协同检测技术，在 SDN 网络中对各检测节点的检测模型进行协同训练与优化，以克服单点检测的局限性、增强多点检测的协同能力，提高整体模型性能。
2022计算机应用研究_基于GB-AEnet-FL网络的物联网设备异常检测_张月
传统异常检测算法存在以下不足：ａ）传统异常检测算法大多将原始数据视为正常数据，忽略异常数据来解决数据不均衡这一难题，但该方法无法评估异常数据对模型训练的影响程度；ｂ）传统基于阈值的异常检测算法存在正常序列和异常序列的重建误差不能明显分化，致使重建误差在阈值附近的序列无法正确判断正常与异常的问题；ｃ）当数据不在同一特征空间或数据**不 Graph Neural Network for Fast Anomaly Detection in Controller Area Networks
由于缺少CAN(控制局域网)帧加密和认证，CAN总线容易受到各种攻击，一般可分为消息注入、暂停和伪造。现有的CAN总线异常检测机制要么只能检测到其中的一个或两个攻击，要么在预测过程中需要大量CAN消息，这很难实现实时性能。在本文中，我们提出了一种基于图形神经网络（GNN）的CAN总线异常检测系统，该系统可以在3毫秒内同时检测所有这些攻击。这项工作基于给定消息间隔内的CAN消息流生成有向属性图。节点属性表示CAN消息中的数据内容，而每个边缘属性表示给定间隔内典型CAN ID对的频率。然后，基于生成的CAN消息图来训练GNN。考虑到高度不平衡的训练数据，本文开发了一种两级分类器级联，该级联由用于异常检测的一类分类器和用于攻击分类的多类分类器组成。openmax层被进一步引入到多类分类器中，以处理来自未知类的新异常。为了在保护用户数据隐私的同时利用众包，我们采用联邦学习来训练涵盖不同驾驶场景和车辆状态的通用模型。
2022北大核心-数字货币交易所洗钱行为检测_钟增胜
近几年，数字货币交易开始成为新洗钱手段. 数字货币交易所是交易数字货币的主要场所，它采用完全不同于传统金融形态的运行与管理机制，主要特点包括：7×24小时服务、全网络化交易、无严格真实身份认证、无清算中心集中处理数据与监控交易.这种低成本、快速、强匿名、去中心化的金融交易场所给投资者带来了便捷和商机，也滋生了新的洗钱行为手段.洗钱者用法币购买数字货币或向交易所个人账户充入数字货币以完成非法资金入场，然后通过币币交易分散资金并利用币种间差价赚取利润以混合非法资金和合法收入，最后卖出数字货币获得法币或直接从交易所转出数字货币，完成非法资金出场.洗钱者为了隐匿行踪，往往会进行错综复杂的入场、币币交易与出场操作，并减少大额与频繁交易. 再加上数字货币交易具有强匿名和去中心化等特点，传统反洗钱技术手段难以直接适用，这给挖掘洗钱线索、鉴别洗钱行为和打击洗钱犯罪带来了新的挑战。本文的主要创新点包括两个方面：构建了一个数字货币交易所交易行为的特征描述体系；设计了一个面向数字货币交易所的洗钱行为与洗钱用户检测方法 .
