[论文解读] Taint analysis of the Bitcoin network

Uros Hercog, Andraž Povše|arXiv (Cornell University)|Jul 2, 2019

Network Security and Intrusion Detection参考文献 8被引用 5

一句话总结

本文提出 TaintRank，一种基于比特币地址与已知污染地址历史交互行为的污点分析方法，为其分配风险评分。通过在有向交易网络上使用类似 PageRank 的传播算法，TaintRank 能够识别潜在非法资金，使交易所和商户能够评估交易对手风险，避免接收被盗或洗钱后的比特币。

ABSTRACT

Determining the trust of an individual Bitcoin wallet is a difficult problem. There are no ratings, that offer vendors or exchanges meaningful information about the level of the taint of Bitcoins they are receiving. Lack of such information places exchanges liable in an event when the received Bitcoins are stolen or ill-gotten. In this paper, we try to solve this problem by introducing a Bitcoin address taint score called TaintRank. It provides insight into a specific wallet by taking the addresses it interacted with throughout history into consideration. This ranking method provides such Bitcoin exchange companies insight with whom they are trading.

研究动机与目标

• 为解决比特币地址缺乏信任度量的问题，特别是针对处理非法资金的交易所和商家。
• 开发一种可扩展的方法，通过分析全网交易模式来量化接收污染比特币的风险。
• 提供一种实用工具——TaintRank，使金融机构能够评估进入比特币交易的来源。
• 评估多种污点传播方法，识别最适合在反洗钱（AML）工作流程中实际部署的方案。

提出的方法

• 构建一个有向加权网络，其中节点代表比特币地址，边代表交易，并根据交易金额分配权重。
• 利用已知污染地址（例如，来自交易所被盗事件）的先验知识作为种子节点，启动污点传播。
• 应用迭代式类似 PageRank 的传播算法，计算 TaintRank 评分，使污点通过交易链接从种子节点传播。
• 测试五种不同的传播算法变体，包括非聚类和聚类网络表示，以提升可扩展性。
• 通过网络搜索分析排名靠前的地址来验证其在现实世界中的相关性（例如，交易所、混币服务）。
• 使用重大盗窃事件后一个月内的比特币网络快照，以确保计算可行性与现实相关性。

实验结果

研究问题

• RQ1 如何基于交易历史和网络位置，系统性地推导出比特币地址的信任度量？
• RQ2 在大规模比特币网络分析中，非聚类与聚类的污点传播方法中，哪种最能平衡准确性与可扩展性？
• RQ3 TaintRank 在多大程度上能识别出已知的非法地址（例如，交易所被盗事件、混币服务）并将其与合法地址区分开来？
• RQ4 不同的传播参数（例如，迭代次数、边权重）如何影响最终的 TaintRank 评分及其可解释性？
• RQ5 TaintRank 是否可作为交易所和商户的实用实时风险评估工具，以避免接收污染资金？

主要发现

• TaintRank 成功识别出已知污染地址，包括与 Mt. Gox 交易所被盗事件相关的地址，排名靠前的节点通常对应交易所或混币服务。
• 在一次传播迭代后，排名第一的地址被确认属于一家交易所，证实了该方法识别高风险机构的能力。
• 经过五次迭代后，排名靠前的地址发生变化，新出现的条目呈现出“一次性钱包”或与混币相关的特征，表明污点传播模式随时间演变。
• 该方法在计算上具有高效性，迭代方法的时间复杂度为 O(n)，使其适用于实时部署。
• 不同的传播策略产生不同结果，凸显了上下文验证和混合方法的必要性，以提高可靠性。
• TaintRank 并非独立解决方案，而是交易所触发对可疑交易进行额外 KYC/AML 检查的宝贵第一步风险指示器。