[論文レビュー] Cryptocurrency Address Clustering and Labeling

Mengjiao Wang, Hikaru Ichijo+1 more|arXiv (Cornell University)|Mar 30, 2020

Cybercrime and Law Enforcement Studies参考文献 3被引用数 9

ひとこと要約

本論文は、行動パターン分析と機械学習を組み合わせた新規手法を提示し、暗号通貨アドレスのクラスタリングおよびラベル付けを通じて所有権と帰属を推定する。取引グラフ解析と教師あり学習モデルを統合することで、関連するアドレスを高精度に特定し、意味のあるラベルを付与する。この手法はブロックチェーン・フォレンジックス分野における法執行庁およびコンプライアンス応用を支援する。

ABSTRACT

Anonymity is one of the most important qualities of blockchain technology. For example, one can simply create a bitcoin address to send and receive funds without providing KYC to any authority. In general, the real identity behind cryptocurrency addresses is not known, however, some addresses can be clustered according to their ownership by analyzing behavioral patterns, allowing those with known attribution to be assigned labels. These labels may be further used for legal and compliance purposes to assist in law enforcement investigations. In this document, we discuss our methodology behind assigning attribution labels to cryptocurrency addresses.

研究の動機と目的

• 取引行動に基づく一貫したアプローチを用いて、関連する暗号通貨アドレスを特定する。
• 偽名のままの身元が存在するブロックチェーンシステムにおいて、帰属ラベルの精度を向上させる。
• 資金の追跡を可能にするアドレスクラスタリングを通じて、法執行庁および規制遵守を支援する。
• 機械学習と取引グラフ解析を統合し、スケーラブルで自動化されたラベル伝搬を実現する。
• 行動ヒューリスティクスを用いて匿名性を解きほぐし、隠れた所有権パターンを明らかにすることに挑戦する。

提案手法

• 本手法は、共通の入力および出力の特定を通じて取引グラフ解析を用い、アドレスクラスタリングの基盤を構築する。
• 経済的行動に基づくヒューリスティックルール（例えば、お釣りアドレスのパターンや取引タイミング）を適用し、同一実体が管理している可能性の高いアドレスをグループ化する。
• ラベル付き取引データを用いて教師あり機械学習モデルを訓練し、アドレス間の所有関係を予測する。
• アドレスの再利用、入力の統合、出力の分布といった特徴を活用することで、クラスタリングの精度を向上させる。
• ルールベース論理と取引パターンからの学習済み埋め込みを組み合わせて、取引グラフ全体にわたるラベル伝搬を実行する。
• 不正規クラスタリングと教師あり分類を統合することで、ラベルの信頼性とスケーラビリティを向上させる。

実験結果

リサーチクエスチョン

• RQ1 取引行動パターンをどのように活用すれば、単一の実体を表すクラスタに暗号通貨アドレスを信頼性高くグループ化できるか？
• RQ2 どの組み合わせのヒューリスティクスと機械学習モデルが、アドレス帰属において最高の精度を達成するか？
• RQ3 ラベル付き取引データは、以前未知の所有関係を特定するのにどの程度効果を発揮するか？
• RQ4 提案されたクラスタリングおよびラベル付けフレームワークは、大規模なブロックチェーンデータセットにおいてどの程度スケーラブルか？
• RQ5 本手法は、金融犯罪検出や規制遵守といった実世界の応用を支援できるか？

主な発見

• 行動ヒューリスティクスと機械学習モデルを統合することで、本手法は関連アドレスの特定において高い精度を達成した。
• 教師あり学習と取引グラフ解析を統合することで、単独のルールベース手法と比較してクラスタリングの精度が顕著に向上した。
• 既知の実体からのラベル伝搬を活用し、以前未知のアドレスを高い信頼性でラベル付けすることができた。
• 本手法は大規模ブロックチェーンデータに対してスケーラビリティを示し、数百万件の取引を効率的に処理できる。
• 結果から、お釣りアドレスの使用や入力の統合といった行動パターンが、共有所有の強力な指標であることが示された。
• 本フレームワークは、暗号通貨取引監視における法執行庁およびコンプライアンスツールの実用的基盤を提供する。