يُشكِّل غسل الأموال تحديًا واسع الانتشار، ويُثقل كاهل المجتمع من خلال تمويل الأنشطة غير القانونية. ومع التزايد المستمر في استخدام المعلومات الشبكية، أصبحت هذه الأدوات موضوعًا متزايدًا لاستكشاف سبل أكثر فعالية لمكافحة غسل الأموال، نظرًا لأن هذه العمليات تشمل أطرافًا مرتبطة ببعضها. وقد أدى ذلك إلى ازدياد ملحوظ في الأبحاث المتعلقة بتحليل الشبكات (NA) لمكافحة غسل الأموال (AML). ومع ذلك، تبقى المراجع العلمية المتعلقة بتحليل الشبكات في مجال مكافحة غسل الأموال متفرقة، وينقصها نظرة شاملة لجميع الأبحاث القائمة. وهذا يؤدي إلى فهم محدود للأساليب الممكنة التطبيق، وقوتها النسبية في الكشف. ولذلك، تقدم هذه الورقة مراجعة معمقة وفريدة من نوعها للدراسات السابقة، مستندة إلى 97 ورقة علمية من قواعد بيانات Web of Science وScopus، مما أدى إلى إنشاء تصنيف (Taxonomy) مبني على إطار حديث لتحليل الاحتيال. ونتوصل إلى أن معظم الأبحاث تعتمد حاليًا على قواعد مبنية على خبرة الخبراء وخصائص مهندسة يدويًا، في حين أن الأساليب القائمة على التعلم العميق بدأت تكتسب زخمًا متزايدًا. كما تقدم هذه الورقة إطارًا شاملاً لتقييم ومقارنة أداء الأساليب البارزة لتحليل الشبكات في بيئة معيارية. وقد طبّقنا هذا الإطار على مجموعتين من البيانات المفتوحة المصدر، وقمنا بمقارنة أساليب الهندسة اليدوية للخصائص، وأساليب المشي العشوائي (Random Walk)، والأساليب القائمة على التعلم العميق. ونتوصل إلى أن (1) يُعزز تحليل الشبكات من القدرة التنبؤية، ولكن يجب توخي الحذر عند استخدام الشبكات العصبية الرسومية (GNNs) نظرًا لمشكلة عدم التوازن بين الفئات (Class Imbalance) وطبيعة البنية الشبكية، وأن (2) يجب توخي الحذر عند استخدام البيانات المفتوحة المصدر، لأنها قد تؤدي إلى نتائج متفائلة بشكل مفرط. ويُسهِّل التنفيذ المفتوح المصدر إمكانية للباحثين والمتخصصين لتوسيع النتائج واستخدام البيانات الخاصة بهم، مما يعزز نهجًا معياريًا لتحليل وتقييم تحليل الشبكات في مجال مكافحة غسل الأموال.