[论文解读] 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 9

一句话总结

本文提出了一种新颖的方法，通过行为模式分析与机器学习相结合，对加密货币地址进行聚类和标注，以推断所有权和归属关系。通过将交易图分析与监督学习模型结合，该方法在识别关联地址并分配有意义标签方面实现了高准确率，支持区块链取证中的执法与合规应用。

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.

研究动机与目标

• 开发一种系统化方法，基于交易行为识别关联的加密货币地址。
• 提高在身份为假名的区块链系统中归属标签的准确性。
• 通过地址聚类实现资金可追溯性，支持执法与监管合规。
• 将机器学习与交易图分析相结合，实现可扩展且自动化的标签传播。
• 通过行为启发式方法揭示隐藏的所有权模式，解决区块链中的匿名性挑战。

提出的方法

• 该方法采用交易图分析识别共用输入与输出，作为地址聚类的基础。
• 基于经济行为（如找零地址模式和交易时间）应用启发式规则，将可能由同一实体控制的地址分组。
• 在标注的交易数据上训练监督学习模型，以预测地址之间的所有权关系。
• 利用地址重用、输入合并和输出分布等特征，提高聚类精度。
• 结合基于规则的逻辑与从交易模式中学习到的嵌入向量，在交易图中传播标签。
• 系统整合无监督聚类与有监督分类，以增强标签的可靠性与可扩展性。

实验结果

研究问题

• RQ1 如何利用交易行为模式可靠地将加密货币地址聚类为代表单一实体的组？
• RQ2 何种启发式规则与机器学习模型的组合能实现最高的地址归属准确率？
• RQ3 标注的交易数据在多大程度上能提升对先前未知所有权关系的识别能力？
• RQ4 所提出的聚类与标注框架在大规模区块链数据集上的可扩展性如何？
• RQ5 该方法能否支持金融犯罪检测与监管合规等实际应用？

主要发现

• 通过将行为启发式与机器学习模型结合，所提出的方法在识别关联地址方面实现了高度准确。
• 将监督学习与交易图分析结合，显著提升了聚类精度，优于仅使用基于规则的方法。
• 系统通过已知实体传播的标签，以高置信度成功标注了先前未知的地址。
• 该方法在大规模区块链数据上表现出可扩展性，可高效处理数百万笔交易。
• 结果表明，找零地址使用与输入合并等行为模式是共享所有权的强指标。
• 该框架为执法与合规工具在加密货币交易监控中提供了实用基础。