[논문 리뷰] An Evaluation of Bitcoin Address Classification based on Transaction History Summarization

Yujing Lin, Po-Wei Wu외 3명|arXiv (Cornell University)|2019. 03. 19.

Blockchain Technology Applications and Security참고 문헌 25인용 수 8

한 줄 요약

이 논문은 블록 높이의 거래 시간 고차원 모멘트와 기본 및 추가 통계를 함께 사용하여 비트코인 주소 분류를 위한 새로운 거래 이력 요약 방법을 제안한다. 이는 비정상 주소 탐지 성능을 향상시키기 위한 것이다. 여덟 가지 분류기로 평가한 결과, LightGBM를 사용하여 최신 기술 수준의 마이크로-F1 점수 87%와 매크로-F1 점수 86%를 달성하였으며, 이는 시간적 모멘트가 기본 특징에 비해 분류 성능을 크게 향상시킨다는 것을 보여준다.

ABSTRACT

Bitcoin is a cryptocurrency that features a distributed, decentralized and trustworthy mechanism, which has made Bitcoin a popular global transaction platform. The transaction efficiency among nations and the privacy benefiting from address anonymity of the Bitcoin network have attracted many activities such as payments, investments, gambling, and even money laundering in the past decade. Unfortunately, some criminal behaviors which took advantage of this platform were not identified. This has discouraged many governments to support cryptocurrency. Thus, the capability to identify criminal addresses becomes an important issue in the cryptocurrency network. In this paper, we propose new features in addition to those commonly used in the literature to build a classification model for detecting abnormality of Bitcoin network addresses. These features include various high orders of moments of transaction time (represented by block height) which summarizes the transaction history in an efficient way. The extracted features are trained by supervised machine learning methods on a labeling category data set. The experimental evaluation shows that these features have improved the performance of Bitcoin address classification significantly. We evaluate the results under eight classifiers and achieve the highest Micro-F1/Macro-F1 of 87%/86% with LightGBM.

연구 동기 및 목표

• 표준 통계적 특징을 초월하여 거래 이력 요약을 향상시켜 비정상 비트코인 주소 탐지 성능을 향상시키는 것.
• 거래 시간(블록 높이)의 고차원 모멘트가 주소를 정상 또는 의심스러운 것으로 분류하는 데 미치는 영향을 조사하는 것.
• 기본 통계, 추가 통계 및 거래 모멘트의 조합된 특징이 지도 학습 모델의 성능에 미치는 영향을 평가하는 것.
• 가짜 익명성 네트워크인 비트코인에서 자금세탁 및 사기와 같은 범죄 활동을 식별하는 과제를 해결하는 것.

제안 방법

• 이 방법은 세 가지 유형의 특징을 사용하여 각 주소의 거래 이력을 요약한다: 기본 통계(예: 입력/출력 빈도), 추가 통계(예: 수령한 총 BTC, 지출한 총 BTC, 잔액 측정치), 거래 모멘트(예: 거래 간격 및 거래 흐름의 첫 번째 및 두 번째 모멘트).
• 거래 모멘트는 블록 높이와 거래 간격의 분포에서 유도되며, 거래 활동의 급격한 집중 또는 규칙적인 패턴과 같은 시간 패턴을 포착한다.
• 각 주소의 관련 거래 이력에서 특징을 추출하며, 효율성과 확장성 향상을 위해 관련 없는 네트워크 전체 데이터는 제외한다.
• 10겹 교차 검증을 사용한 지도 학습 파이프라인을 적용하였으며, 여덟 가지 분류기 중에서 LightGBM를 최적 모델로 선정하였다.
• 모델은 믹서, 거래소, 월렛 등 유형으로 분류된 레이블이 부여된 비트코인 주소 레이블러드 데이터셋을 기반으로 학습되었으며, 레이블은 알려진 엔티티 행동 기반으로 설정되었다.
• LightGBM의 정보 이득을 사용하여 특징 중요도를 분석하여 분류에 가장 영향을 미치는 특징을 파악하였다.

실험 결과

연구 질문

• RQ1 거래 시간(블록 높이)의 고차원 모멘트는 표준 통계적 특징에 비해 비정상 주소로의 분류 성능을 향상시키는가?
• RQ2 기본 통계, 추가 통계 및 거래 모멘트의 조합은 주소 분류 모델의 성능에 어떤 영향을 미치는가?
• RQ3 특히 제안된 모멘트 특징 중 어떤 특징이 분류 정확도에 가장 크게 기여하는가?
• RQ4 제안된 특징은 믹서 및 거래소와 같은 고위험 엔티티 탐지에 어느 정도 향상 기여하는가?

주요 결과

• 제안된 방법은 LightGBM를 사용하여 마이크로-F1 점수 87%와 매크로-F1 점수 86%를 달성하였으며, 이는 이전 접근 방식에 비해 뚜렷한 향상이다.
• 기본, 추가 및 모멘트 특징의 조합이 가장 뛰어난 분류 성능을 내며, 단일 특징 유형보다 뛰어나다.
• LightGBM에 의해 식별된 상위 10개의 중요 특징 중 6개가 제안된 모멘트 특징이며, 이는 모델 성능 향상에 강력한 기여를 한다는 것을 시사한다.
• 혼동 행렬을 분석한 결과, 모든 카테고리에서 높은 정확도를 보였으며, 믹서는 96% 정확도, 거래소는 84% 정확도를 기록하여 다양한 주소 유형에서의 분류가 견고함을 확인하였다.
• 특징 중요도 분석 결과, 개별적으로는 다소 약한 영향을 미치지만, 기본 및 추가 통계와 함께 조합될 경우 모멘트 기반 특징이 성능 향상에 크게 기여함을 확인하였다.
• 엔티티 기반 분류 체계는 데이터 불균형과 부족함으로 인해 제한이 있으며, 더 큰 균형 잡힌 데이터셋이 없이선 확장성에 한계가 있음을 시사한다.