[論文レビュー] How to Peel a Million: Validating and Expanding Bitcoin Clusters

George Kappos, Haaroon Yousaf+4 more|arXiv (Cornell University)|May 27, 2022

Blockchain Technology Applications and Security被引用数 8

ひとこと要約

本稿では、取引レベルの特徴を用いて、同一実体による連続取引である「ピールチェーン」を検出・追跡する新しいヒューリスティクスを提案する。これにより、既存のBitcoinクラスタリングヒューリスティクスの検証と拡張が可能となり、クラスタを真陽性または偽陽性として分類する精度が89%に達し、変更アドレス検出における偽発見率を0.02%まで低減する。これは、先行手法を著しく上回る結果である。

ABSTRACT

One of the defining features of Bitcoin and the thousands of cryptocurrencies that have been derived from it is a globally visible transaction ledger. While Bitcoin uses pseudonyms as a way to hide the identity of its participants, a long line of research has demonstrated that Bitcoin is not anonymous. This has been perhaps best exemplified by the development of clustering heuristics, which have in turn given rise to the ability to track the flow of bitcoins as they are sent from one entity to another. In this paper, we design a new heuristic that is designed to track a certain type of flow, called a peel chain, that represents many transactions performed by the same entity; in doing this, we implicitly cluster these transactions and their associated pseudonyms together. We then use this heuristic to both validate and expand the results of existing clustering heuristics. We also develop a machine learning-based validation method and, using a ground-truth dataset, evaluate all our approaches and compare them with the state of the art. Ultimately, our goal is to not only enable more powerful tracking techniques but also call attention to the limits of anonymity in these systems.

研究の動機と目的

• 同一実体による連続取引（ピールチェーン）を特定・追跡する新しいヒューリスティクスの開発を目的とし、Bitcoin取引クラスタリングの精度を向上させること。
• 共通支出ヒューリスティクス（広く用いられている）を含む既存のクラスタリングヒューリスティクスを、新しい機械学習分類器を用いて検証・拡張すること。
• 120個のBitcoinクラスタ（真陽性60件、偽陽性60件）から構成されるバランスの取れた真実データセットを用いて、提案されたヒューリスティクスおよび分類器の性能を評価すること。
• ランサムウェア資金の関連付けや、交換所からBitcoin Fogの混合サービスへの資金の追跡を通じて、本手法の実用的有用性を示すこと。
• 現在のBitcoin匿名性の限界を強調し、プライバシー保護プロトコルのさらなる研究を促すこと。

提案手法

• 著者らは、入力/出力のパターンやアドレスタイプなどの取引レベルの特徴を用いて、同一実体が開始した取引の連鎖をピールチェーンとして定義し、前向きおよび後向きにこれらのチェーンを検出・追跡する。
• 共通支出ヒューリスティクスによって形成されたクラスタから特徴を抽出し、取引頻度、アドレス多様性、出力行動などの指標を用いてクラスタ行動を特徴づける。
• 真実データセットを用いて機械学習分類器を学習させ、クラスタを真陽性または偽陽性に分類する精度が89%に達した。
• 変更ヒューリスティクスはピールチェーン内の変更出力を暗黙的に特定し、偽発見率がたった0.02%にまで低下した。これは、次に優れた手法の12.7%を著しく下回る。
• 実世界の事例（DharmaおよびPhobosランサムウェアクラスタなど）を用いて手法を評価し、従来検出できなかったホップもピールチェーン分析により関連付けることができた。
• 本手法は公共のブロックチェーンデータにのみ依存しており、非公開または内部の台帳情報へのアクセスは不要である。

実験結果

リサーチクエスチョン

• RQ1 ピールチェーンヒューリスティクスを用いることで、共通支出ヒューリスティクスなどの既存のクラスタリングヒューリスティクスの正確性を検証できるか？
• RQ2 取引特徴を用いて学習された機械学習分類器は、Bitcoinクラスタリングにおいて真陽性クラスタと偽陽性クラスタを信頼性を持って区別できるか？
• RQ3 ピールチェーンヒューリスティクスは、これまで検出されていなかった取引フローを同定することで、既存のクラスタリング手法の範囲をどの程度拡大できるか？
• RQ4 本手法で提案された変更ヒューリスティクスは、新規出力が存在するような状況でも、先行手法に比べてどの程度効果的に変更アドレスを特定できるか？
• RQ5 本ヒューリスティクスは、一見関連のないとされるランサムウェア運用間の接続を検出できるか？これは、共通の運用者を示唆するものである。

主な発見

• 機械学習分類器は、取引レベルの特徴を用いて真陽性クラスタと偽陽性クラスタを識別する精度が89%に達した。
• 提案された変更ヒューリスティクスは、偽発見率を0.02%まで低減し、次に優れた手法の12.7%を著しく下回った。
• 本手法は、ロマン・スティーリングォフに関連する交換所アカウントからBitcoin Fogの混合サービスへの資金移動を、従来のヒューリスティクスでは見逃されていたが、成功裏に関連付けることができた。
• DharmaおよびPhobosランサムウェアクラスタの分析から、Dharmaのピールチェーンで83回も使用された共通の仲介アドレスが特定され、運用上の重複の可能性が示された。
• 複数のピールチェーンホップにおいて、両方の出力が新規であったため、従来の変更ヒューリスティクスではこれらの関連を検出できず、本手法の新規性が裏付けられた。
• 結果として、一貫した取引行動が見られる状況でも、意図的な特徴のランダム化によって攻撃者がヒューリスティクスを破壊できる可能性があることが示され、ブロックチェーンベースの脱匿名化手法の根本的な限界が浮き彫りになった。