[论文解读] An Evaluation of Bitcoin Address Classification based on Transaction History Summarization

Yujing Lin, Po-Wei Wu+3 more|arXiv (Cornell University)|Mar 19, 2019

Blockchain Technology Applications and Security参考文献 25被引用 8

一句话总结

本文提出了一种新颖的比特币地址分类事务历史摘要方法，结合事务时间（区块高度）的高阶矩与基础及额外统计特征，以提升异常地址检测能力。在八种分类器上进行评估，该方法使用 LightGBM 实现了最先进的 Micro-F1 87% 和 Macro-F1 86%，表明时间矩显著提升了基线特征的分类性能。

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.

研究动机与目标

• 通过在标准统计特征之外增强事务历史摘要，提升对异常比特币地址的检测能力。
• 探究事务时间（区块高度）的高阶矩对将地址分类为正常或可疑的影响。
• 评估基础统计、额外统计和事务矩组合特征在监督分类模型上的有效性。
• 应对在伪匿名的比特币网络中识别洗钱和欺诈等犯罪活动的挑战。

提出的方法

• 该方法使用三种特征类型对每个地址的事务历史进行摘要：基础统计（如输入/输出频率）、额外统计（如接收/支出的 BTC 总量、余额度量）以及事务矩（如时间间隔和事务流量的一阶与二阶矩）。
• 事务矩源自区块高度和事务间隔的分布，捕捉事务活动中的突发性或规律性等时间模式。
• 从每个地址的相关事务历史中提取特征，排除与网络整体无关的数据，以提升效率和可扩展性。
• 采用监督机器学习流程，通过八种分类器进行 10 折交叉验证，最终选定 LightGBM 作为最优模型。
• 模型在标注数据集上进行训练，该数据集将比特币地址按类型分类，如 Mixer、Exchange 和 Wallet，标签基于已知实体行为。
• 利用 LightGBM 的信息增益分析特征重要性，以识别对分类最具影响力的特征。

实验结果

研究问题

• RQ1 与标准统计特征相比，事务时间（区块高度）的高阶矩是否能提升比特币地址分类为正常或异常的性能？
• RQ2 基础统计、额外统计和事务矩的组合如何影响地址分类模型的性能？
• RQ3 哪些特定特征——尤其是所提出的矩特征——对分类准确率贡献最大？
• RQ4 所提出的特征在多大程度上提升了对混币器和交易所等高风险实体的检测能力？

主要发现

• 所提方法使用 LightGBM 实现了 87% 的 Micro-F1 和 86% 的 Macro-F1，显著优于先前方法。
• 三种特征类型（基础、额外和矩特征）的组合产生了最佳分类性能，优于任一单一特征类型。
• LightGBM 识别出的前 10 个最重要特征中，有六个来自所提出的矩特征，表明其对模型性能有显著贡献。
• 混淆矩阵显示各类别分类准确率较高，Mixer 达到 96% 准确率，Exchange 为 84%，证实了对多样化地址类型的稳健分类能力。
• 特征重要性分析确认，尽管基于矩的特征单独作用时影响力较小，但与基础和额外统计特征结合后，能显著提升整体性能。
• 基于实体的分类方案存在数据不平衡和数据稀缺问题，表明在缺乏更大、更平衡数据集的情况下，其可扩展性受到限制。