BATscope:比特币恶意地址及混币交易识别 |
| |
作者姓名: | 王大宇 殷婷婷 李赟 秦嗣量 任歆 罗夏朴 王浩宇 尹霞 张超 |
| |
作者单位: | 清华大学 计算机科学与技术系 北京 中国 100084;清华大学 网络科学与网络安全研究院 北京 中国 100084;中国科学院大学 网络空间安全学院 北京 中国 100049;厦门大学 软件工程系 厦门 中国 361005;香港理工大学 计算系 香港 中国;华中科技大学 网络空间安全学院 武汉 中国 430074 |
| |
基金项目: | 本课题得到国家重点研发计划资助(No. 2021YFB2701000); 国家自然科学基金资助(No. 61972224, No. U1736209)。 |
| |
摘 要: | *比特币作为第一个也是最主流的基于区块链技术的数字货币,吸引了越来越多用户的关注和投资。因为匿名性和去中心化的特点,比特币也是不法分子常用的洗钱工具。据报道,最近几年比特币已被用于许多案件,包括黑客、暗网市场、资金走私、诈骗和勒索。为了打击此类恶意行为,准确识别比特币地址的类型和比特币交易目的尤为重要。然而,现有的解决方案仅能部分地解决这个问题,并且在识别准确率上表现不佳。在本文中,我们提出了一种基于机器学习的解决方案BATscope,可以准确地识别比特币地址的类型及一些交易的目的(例如,混币交易)。其核心是通过一些可靠的启发式方法和一种新颖的先导预测方法,可以自动化的迭代增加训练集中的比特币地址,从而不断反馈给模型再次训练,稳定提升机器学习模型的性能。评估结果表明,BATscope可以在公开数据集中以0.99的精度识别基于混淆的混币交易,并在识别比特币地址的类型(例如,恶意地址)中达到0.9621/0.9567的Micro/MacroF1分数,远高于现有的解决方案。此外,结果还表明我们的启发式方法可以有效地增强可靠的地址标签数据,先导预测也可以准确的进行纠错并进一步提升模型性能。我们利用BATscope进一步分析了混币交易,揭示了混币行为和恶意地址之间的关系。为了证明其鲁棒性和实用性,我们还使用BATscope来验证已知恶意地址,并帮助执法部门分析未知地址并提供线索。进一步证明在实际应用中,BATscope的结果是可靠的。
|
关 键 词: | *比特币|地址分类|机器学习 |
收稿时间: | 2021/12/29 0:00:00 |
修稿时间: | 2022/3/15 0:00:00 |
BATscope: Demystifying Malicious Addresses and Mixing Transactions in Bitcoin |
| |
Authors: | WONG Taiyu YIN Tingting LI Yun QIN Siliang REN Xin LUO Xiapu WANG Haoyu YIN Xi ZHANG Chao |
| |
Affiliation: | Department of Computer Science, Tsinghua University, Beijing 100084, China;Institute for Network Science and Cyberspace, Tsinghua University, Beijing 100084, China;School of Cyber Science and Technology. University of Chinese Academy of Sciences, Beijing 100049, China;Department of Software Engineering, Xiamen University, Xiamen 361005, China;Department of Computing, The Hong Kong Polytechnic University, Hong Kong, China;School of Computer Science, Beijing University of Posts and Telecommunications Beijing 100876, China |
| |
Abstract: | |
| |
Keywords: | *bitcoin|address classification|machine learning |
|
| 点击此处可从《》浏览原始摘要信息 |
|
点击此处可从《》下载全文 |
|