映画「All or Nothing」では、海外のオンライン詐欺の業界チェーン全体が初めて暴露され、マネーロンダリングが最も重要なリンクとなっています。
ダレン・ワン演じるギャンブラーの阿天は、不動産を盗んで抵当に入れて集めた800万元を詐欺集団の賭博口座に一度に振り込むなど、巨額の資金の流れを伴うため、警察が監視を始めている。それ。驚くべきことは、詐欺グループが800万を分散させ、送金、支払い、オンライン購入などを通じて第1レベルのカードから複数の第2レベルのカードに流し、最終的に海外に送金することができたということだ。さらに懸念されるのは、この詐欺グループは実は全国にN人の部下を抱えており、出金やマネーロンダリングをわずか10分で完了させることができるのですが、関与する口座が多数かつ広範囲に分散しているため、その手口を追跡するのは非常に困難であるということです。資金を取り戻すのは天国に行くのと同じくらい難しいことです。
マネーロンダリング対策 (マネーロンダリング) は世界中で広く問題になっています。マネーロンダリング業者は、常にあらゆる手段を使ってブラックマネーを合法化しようとします。検出を避けるために、彼らは非常に複雑で多様なマネーロンダリング手法を考え出します。人を組織するだけであり、また、特に取引を行う際には監督を避けるために最新の情報技術を使用することも多く、捜査を妨害することを目的として、資本ネットワークのノードを絡み合わせて多数の複雑な関係を生み出します。
金融機関のコンプライアンス管理において、マネーロンダリング対策は規制当局や銀行からますます注目を集めており、報道によると、2022年にはマネーロンダリング対策で計295の金融機関が処罰される予定で、その総額は計295社に上るという。罰金は5億を超える。それでは、複雑なマネーロンダリング取引を正確、効率的かつ徹底的に特定し、同時に監督に権限を与え、金融セクターの安定した運営という目標を確実にするブラックテクノロジーは存在するのでしょうか?
グラフ¹ は、数学とグラフ理論を通じて資金の流れを表現する最も自然な方法であると考えられています。[「グラフ」に興味のある方は「グラフデータベースの知識ポイント2 |グラフの考え方」を詳しく読む]
特に資本の流れのプロセスには複数の層のジャンプ (ホップ) があり、犯罪者は通常、マネーロンダリングのために複数段階および多層の資本フロー モデルを意図的に構築します。[K-hop とは何かに興味のある読者は、ライブラリ |グラフ データベースの基礎知識 II を詳しく読むことができます]
規制当局が依然としてリレーショナル データベースや浅いグラフ コンピューティングの時代から立ち往生している場合、より深い偽装を通じたマネーロンダリングの経路を特定することはできません。
データベース テクノロジの観点から言えば、いわゆる浅いコンピューティングとは、メタデータ指向の操作 (集計やフィルタリングなど) のみを実行できることを意味し、リレーショナル データベースのコンフォート ゾーンはまさにこの非常に浅いレベルにあります。ディープ コンピューティングとは、典型的な複数テーブル関連の操作など、(分類された) メタデータに対して関連するクエリを実行する必要性を指します。このタイプの操作は、リレーショナル データベースの快適ゾーンからは程遠いものです。リレーショナル データベースでは、非常に複雑で複雑な操作を実行できるためです。クエリの効率は、クエリの深さが増すにつれて指数関数的に低下します。[グラフ データベース テクノロジと従来のリレーショナル データベースの詳細については、興味のある読者は詳細を参照してください: グラフ データベースの知識ポイント 1 | グラフデータベースとリレーショナル データベースの違い]
産業界、特に銀行業界でよく言われることわざに、「同業他社よりも早く発見し、同業他社よりも早く行動せよ」というものがあります。通常、リスクの発見、リスクの予防、ビジネスチャンスの発見、ビジネスチャンスを捉える際に身につけるべき内面化能力を指しますが、本質的には、より速く、より深く、より正確に計算し、グラフデータベース化する能力（グラフコンピューティング）を指します。外部化された場合の特定の技術製品形式であるグラフテクノロジーは、リスク管理（マネーロンダリング対策）における一連の課題を解決するためにますます広く使用されています。
その中で、詳細なグラフ検索、リアルタイム、ホワイトボックスの解釈可能性、安定性などの機能は、マネーロンダリング対策のシナリオ、特に巨大資本ネットワーク内の疑わしい資金の特定、マネーロンダリング行為のリアルタイムでの特定、およびマネーロンダリング対策のシナリオに役立ちます。複雑で不審な人物間の取引コンテキストを発見し、リスク レベルを迅速に評価することは、マネーロンダリング対策の分野で深く使用されています。[グラフ データベース技術に興味のある読者は詳しく読む: グラフ データベースの知識ポイント 3 |グラフ データベースはどのような問題を解決しますか? 】
一般的なマネーロンダリング対策のシナリオは次のとおりです。複数の関連付けられたアカウント (送金アカウント) から開始して、他の複数の関連付けられたアカウント (受信者) へのパスを見つけます。または、1 つの口座から開始して、複数の層のトランザクションを経て、最初の口座または最初の口座に関連する口座に戻る - 後者の状況は、マネーロンダリング ループと呼ばれます。
特徴: マネーロンダリングに関与したアカウントは通常、アカウントの 1 日の平均残高に対して非常に高い送金制限 (~100%) を設定しており、送金金額は短期間アカウントに残り、複数のアカウントが同じデバイスや電話を共有している可能性があります。 、WiFi APID またはその他の同一の属性など。
通常、銀行システムには数千万または数億のアカウントが存在します。ほとんどのアカウントは法を順守していると考えられます。したがって、マネーロンダリング対策の調査を行う場合、これらの正規のアカウントを迅速にフィルタリングしてロックするにはどうすればよいでしょうか。潜在的に高リスクのアカウント? によって、計算の複雑さが指数関数的に減少することが決まります。アカウントの最近の行動指標は、注目すべき主なフィルタ条件ですが、もちろん、アカウント間の多面的な関係、資金取引の有無など、他の指標もあります。発生したマネーロンダリングには必ず開始点と終了点があり（終了点は開始点からの送金額のほとんどを吸収します）、グラフ上でそれらを見つけるのは難しくありません。多くの金融機関は、進行中のマネーロンダリングをリアルタイムで阻止する方法に焦点を当てています。
上の図は、口座から始まり、何層もの送金を経て、最終的に自分に送金される様子を示しています（経路上の送金データには明らかに手数料が差し引かれており、偽装データが含まれています）。このループ 2転送モデル自体は、必ずしも 100% 違法であることを意味するわけではありませんが、専門家がこのモデルに注意を払い、それがマネーロンダリングであるかどうかを特定できるように、システムに警報を発する価値は少なくともあります。
また、金融機関にとって、組織犯罪によるマネーロンダリングの規模や頻度は、個人個人の顧客よりもはるかに高いのが一般的であり、AML の重要なポイントは、大規模なマネーロンダリング、発生頻度の高さ、関与者の多さである。口座、銀行間および国境を越えたマネーロンダリング、内部および外部のマネーロンダリング。上図では、転送リンクのフィルタリングと分析、資本収集ポイントのロック（たとえば、入次数は出次数よりもはるかに大きい）、高頻度の大量取引口座などの操作により、マネーロンダリング対策が効率的に特定できます。参加アカウントをサポートし、リアルタイムのブロックや二次分析による技術サポートを提供します。
次の図は一例であり、口座から開始して最大 10 層の分散送金を経た後、資金が徐々に最終的な口座に収束することを示しています。規制当局の規制が 3 層の照会であるのに、金融機関の識別の深さが 5 層しかない場合、そのような深いマネーロンダリング モデルを発見することは不可能です。この種のリアルタイムのディープ リンクとネットワーク転送の識別は、ネイティブのグラフ メモリ コンピューティング エンジンのサポートなしではほぼ不可能です。[興味のある読者は詳細を読むことができます:同時実行性の高いグラフ データベース システムはどのように実装されていますか? 】
Spark+GraphX、オープン ソースの JanusGraph、ArangoDB、または Neo4J の商用バージョンに基づくシステムなど、従来の意味でのグラフ システムは、5 層を超える深いクエリを実行すると、非常に遅くなるか、返せなくなることさえあります。単一クエリの適時性やシステムの同時スループット レートの観点からは、大きな遅延や低い同時実行機能 (低い QPS/TPS) などの問題もあります。[興味のある方は詳しく読んでください: グラフ データベースの知識ポイント 7 |あなたが遭遇するグラフ データベースはなぜ信頼できないのですか? ] 金融システムにとって、スピードとパフォーマンスが最優先事項である必要があります。なぜなら、時は金なりであり、犯罪組織の封鎖に無駄にされる一秒一秒が犯罪組織の宥和と黙認であり、資産への損害です。
これは、金融業界の顧客が、グラフ データセットに対する高い同時実行性、深さ、低遅延クエリなどのテクノロジーを通じて、リアルタイムで詳細なマネーロンダリング防止を実現できるようにするもので、高度な視覚化、高い使いやすさ、利便性という特徴を備えています。統合。私たちは、次世代のマネーロンダリング対策 IT インフラストラクチャには、リアルタイム グラフ データベース (グラフ コンピューティング)、グラフ ストレージ、およびグラフ イン プラットフォームが採用されると強く信じています。[興味のある方は詳しく読んでください: グラフ データベースの知識ポイント 6 |グラフ データベースを正しく評価するには? 】
[1] グラフ: グラフは、有限の空ではない頂点のセットと頂点間のエッジのセットで構成され、通常は G = (V, E) として表されます。ここで、G はグラフを表し、V は次の頂点のセットです。グラフ G 、 E は、グラフ G の頂点間のエッジのセットです。
[2] ループ (次数): パス内の点が繰り返し現れる場合、そのパスにはループ コンポーネントが含まれていると言われます。
[3] 入次数: 有向グラフでは、次数は入次数と出力次数に分けられます。頂点を円弧の頭として、その頂点で終わる円弧の数を頂点の次数と呼びます。出次数: 頂点を円弧の尾部として、頂点から始まる円弧の数を頂点の出次数と呼びます。