Статьи

В работе дан обзор различных подходов к проблеме выявления подозрительных адресов в публичных блокчейнах с помощью методов машинного обучения, в первую очередь, методов классификации. Эта задача весьма актуальны в связи с тем, что все легальные участники рынка криптоактивов сейчас должны соблюдать достаточно строгие правила по уточнению источников средств, участвующих в любой обрабатываемой транзакции. Несмотря на то, что Bitcoin и подобные ему платежные системы считаются анонимными, алгоритмы, использующие последние достижениях в области машинного обучения и искусственного интеллекта вместе с тщательным подбором признаков, описывающих наблюдения, могут демонстрировать весьма хорошие результаты. Рассмотрение ведется в основном для сети Bitcoin, но отмечено несколько интересных примеров для Ethereum. Насколько можно судить, обзор такого рода публикуется на русском языке впервые.

В работе дан обзор эвристических методов кластеризации адресного пространства публичных распределенных реестров. Упомянутые техники опираются на достаточно простые наблюдения за поведением типичных пользователей и здравый смысл. Формально эвристики представляют собой вырожденные решающие правила, которые не предполагают подбора параметров в ходе обучения по заранее отобранным данным. Можно также считать, что эвристикам соответствуют устойчивые мотивы в графовых представлениях истории транзакций. Несмотря на кажущуюся простоту и отсутствие возможности проверить правильность результатов их работы, эти подходы демонстрируют достаточно хорошую эффективность и зачастую их применение предваряет использование гораздо более сложного инструментария на основе современного машинного обучения и искусственного интеллекта. Приведены эвристики для Bitcoin, Ethereum, Ripple, Monero и Zcash. Кратко рассмотрен пример эвристической кластеризации по данным о cross-chain-транзакциях. Отмечены случаи, когда эвристики дают некорректные результаты. Насколько можно судить, обзор такого рода публикуется на русском языке впервые.