Blockchain Bots به 30. 7 ٪ از 62000+ حساب منحصر به فرد کمک کرده است و بیش از 270 میلیون دلار حجم معامله در 10 DAPP قمار برتر در شبکه Tron در 2019Q1 را تشکیل می دهد. ما همچنین یک استراتژی جدید ربات را که منحصر به فرد برای TRON است ، شناسایی کردیم ، احتمالاً به دلیل اجرای اجماع DPOS آن.

سلب مسئولیت:

1. Anchain. ai به بنیاد Tron ، EOS یا Ethereum وابسته نیست.

2. رباتها در blockchains متداول هستند زیرا در سراسر میراث اینترنت هستند. ربات های خوب ، ربات های بد و احزاب خنثی قسمت هایی از اکوسیستم انتظار می رود.

3. حضور ربات ، از جمله شاخص های دیگر ، یکی از مؤلفه های اصلی هوش اکوسیستم blockchain ما است. حضور ربات فقط باید به عنوان یکی از معیارهای ارزشمند برای ارزیابی سلامت و امنیت یک اکوسیستم blockchain در نظر گرفته شود.

خلاصه

Anchain. ai از هوش مصنوعی (AI) استفاده می کند تا شیوع فعالیت BOT را در دنیای tron blockchain dapp نشان دهد. تا به امروز ، این تجزیه و تحلیل بزرگترین مطالعه مقیاس از حضور ربات در اکوسیستم TRON DAPP است.

مشابه با اپیدمی میراث اینترنت از ربات های خراش دهنده محتوا ، مشاغل رمزنگاری شده با طیف گسترده ای از رباتها غرق می شوند که تشخیص معیارهای تجاری واقعی از موارد دستکاری شده را دشوار می کند ، همانطور که در پرونده SEC اخیر توسط Bitwise ذکر شده است.

در این گزارش در بالای تحقیقات قبلی BOTCHAIN EOS ، ما در این گزارش وارد blockchain tron می شویم. با تجزیه و تحلیل 10 معاملات برتر TRON DAPP در Q1 2019 ، ما مشخص کرده ایم که رباتهای blockchain به 30. 7 ٪ از حساب های منحصر به فرد و 19. 3 ٪ معاملات کمک می کنند. در هر TokenInsight ، 117 DAPP قمار در TRON وجود دارد که در مجموع 68 ٪ از حساب های Tron DAPP را تشکیل می دهند. ما معتقدیم که تحقیقات ما یک عکس فوری از اکوسیستم Tron را ضبط کرده است.

این گزارش نشان دهنده رفتارهای مختلف ربات blockchain ، چالش های مرتبط با تشخیص آنها ، تشخیص استراتژی جدید و دشوار برای شناسایی استراتژی BOT گروهی است که تیم تحقیقاتی Anchain. ai آن را شناسایی کرده است ، و اینکه چگونه ما الگوی یادگیری ماشین بسیار دقیق خود را گسترش داده ایم تا آنها را تشخیص دهیممقیاس

بینش های کلیدی

1. در 10 DAPP قمار برتر در سال 2019Q1 ، ما 96. 943 حساب منحصر به فرد را که برای میلیون ها معاملات حساب می کنند ، تجزیه و تحلیل کردیم. ما چندین آرکیپت حساب مختلف را شناسایی کردیم: غیرفعال ، فعال ، قهرمان و ربات. این گزارش بر روی حساب های BOT متمرکز خواهد شد.
2. 3 DAPP TRON برتر درصد نسبتاً کمی از فعالیتهای BOT را مشاهده کردند.
3. ما حضور ربات های قابل ملاحظه ای بالاتر را در بین 4 تا 10 DAPP مشاهده می کنیم. DAPP 4 ، 7،9 و 10 به طور خاص تحت سلطه حضور BOT هستند: بیش از 70 ٪ از حساب های آنها حساب های ربات است.
4. "گروه ربات" یک استراتژی منحصر به فرد ربات است که ما در tron blockchain کشف کردیم: گروهی از رباتها که به طور جداگانه ، سطح فعالیت کمتری را نشان می دهند اما با هماهنگی معاملات آنها بر DAPPS 4 ، 9 و 10. DAPP 9 ، به عنوان مثال، از بیش از 70 ٪ از حساب های BOT تشکیل شده است ، در حالی که کمتر از 10 ٪ از کل معاملات را به خود اختصاص می دهد. تشخیص این خوشه های ربات بسیار دشوار است ، اما می توان با یک روش به اندازه کافی کامل گرفتار شد.

چرا تشخیص ربات اهمیت دارد؟

فناوری blockchain و بازارهای مالی مرتبط با آن هنوز در نوزادی نسبی خود قرار دارند و در معرض نوسانات سوداگرانه زیادی قرار دارند. پروتکل ها و ارزهای جدید blockchain به طور مداوم در این فضا ایجاد می شوند و بیشتر اوقات ، فعالیت کاربر ، حجم معامله ، حجم روزانه و سایر معیارهای رشد به عنوان پروکسی برای عملکرد آنها استفاده می شود.

فعالیت BOT یکپارچگی چنین معیارهایی را زیر سوال می برد و درک ، تنظیم ، کار و ایمن سازی صنعت را بسیار دشوارتر می کند. برای درک واقعی سلامت صنعت blockchain و دارایی های مختلف رمزنگاری شده در درون ، درک این موضوع که چه میزان از فعالیت در بازار معتبر است ، بسیار مهم است و چه مقدار از آن توسط ربات ها با انگیزه های نامشخص رانده می شود. بشر

در صنعت blockchain تأثیر رباتهای تجاری بر حجم مبادله cryptocurrency ، محرک اصلی بازار کلی رمزنگاری ، اخیراً در گزارش تشکیل پرونده SEC توسط مدیریت دارایی Bitwise مورد تجزیه و تحلیل قرار گرفت.[2] این گزارش نتیجه گرفت که "95 درصد از حجم بیت کوین گزارش شده جعلی است."این حجم جعلی توسط معاملات ربات هایی که مجموعه داده های حجم معاملات blockchain به صعود ، سرمایه گذاران ، تنظیم کننده ها ، سازندگان ، اپراتورها و علاقه مندان در این روند را فریب می دهند ، هدایت می شود.

به رفتارهای جدید ربات که در tron blockchain کشف شده است

در هر TokenInsight ، 117 DAPP قمار فعال در TRON وجود دارد که 68 ٪ از حساب های Tron DAPP حاکم بوده است. علاوه بر این ، گروه قمار DAPP شاهد رشد قوی و مداوم بوده است. ما معتقدیم که تحقیقات ما نمونه ای از اکوسیستم Tron را ضبط کرده است.

شکل 5. DApps قمار 68٪ از حساب های فعال Tron DApps را در سه ماهه اول 2019 جذب کرده اند. ترون DApp ترند در سه ماهه اول 2019. در مقایسه با دسته هایی مانند مبادلات، بازی ها و غیره، بر اساس TokenInsight، DApp های قمار تسلط دارند و سریع ترین رشد را تجربه می کنند.

قبلاً، ما 4 دسته از رفتارهای ربات را در وبلاگ ربات EOS خود پوشش دادیم، که رایج ترین آنها از حساب های منفرد ناشی می شوند که با سطوح غیرانسانی فراوانی و سازگاری رفتار می کنند. با این حال، در بلاک چین ترون، تکنیک های بسیار پیچیده تری برای پوشش ربات کشف کردیم.

در میان بلاک چین های پیشرو دوستدار DApp، ترون شبیه EOS در مکانیسم اجماع DPOS (Delegated Proof-Of-Stake) با پیاده سازی خاص خود است، در حالی که بسیاری از ویژگی ها را با موتور قرارداد هوشمند اتریوم (EVM در مقابل TVM، ERC-20 در مقابل TRC-) به اشتراک می گذارد. 20 و غیره).

جالب اینجاست که با استفاده از یک مدل یادگیری عمیق مشابه با مدلی که برای شناسایی ربات های EOS آموزش دادیم، هنوز ده ها هزار ربات را در Tron شناسایی کردیم. برای مثال، شکل زیر حساب های ربات Tron را در دسته بندی «سطح 1: روبات های ساده - بیش فعال» نشان می دهد.

شکل 6. تصویری از نحوه تراکنش یک ربات بیش فعال معمولی با DApp از 3/12/2019 تا 4/1/2019

این ربات Tron به مدت 18 روز، بدون وقفه، شرط بندی های یکسانی را انجام داد که منجر به 75000+ تراکنش شد و به تنهایی 12. 2٪ از کل تراکنش ها را در سه ماهه اول به خود اختصاص داد. این ربات سخت کوش احتمالاً معیارهای کسب وکار آن DApp قمار را هدایت می کند، سود سهام کسب می کند یا انگیزه های مالی دیگر را هدایت می کند.

این ربات ها متداول، آسان برای اجرا و تشخیص ساده هستند، و حتی آموزش هایی در یوتیوب در مورد نحوه استفاده از ماکروها برای شرط بندی خودکار در Tronbet وجود دارد.

در حالی که ما در حال بررسی آن حساب های انسانی با استفاده از همان مدل یادگیری عمیق بودیم، دسته کاملا جدیدی از رفتار ربات گسسته را کشف کردیم که تشخیص آن بسیار دشوارتر است. ما آن را "ربات گروهی" می نامیم:

ربات گروهی: هر حساب دارای فعالیت نادر و به ظاهر بی ضرر است. با این حال، رفتارهای گروهی آنها ساختار همبستگی آماری معنی داری را نشان می دهد و مانند یک جمعیت هماهنگ کننده رفتار می کند.

ما یک نمونه از حساب های ربات گروه Tron را ارائه می کنیم تا نشان دهیم که چگونه چنین رفتارهای پوشاننده می توانند از اکثر موتورهای تشخیص استاندارد فرار کنند:

1. اکانت زیر کاملاً عادی عمل می کند، با فرکانس بسیار شبیه به یک بازیکن انسانی.

2. با این حال ، وقتی این ده حساب با فرکانس پایین را با هم تجسم می کنیم ، الگوهای همبستگی قابل توجه پدیدار می شوند. یک تبانی واضح با بررسی 3 گروه اول الگوهای هماهنگ ، که در 21 ، 22 و 23 فوریه ظاهر شد ، پدیدار می شود.

توجه داشته باشید که این 10 حساب توسط مدل یادگیری ماشین ما مشخص می شوند ، و آنها یک زیر مجموعه کوچک هستند که از ده ها هزار حساب از این بیت نمونه برداری شده است.

شکل 9. هنگامی که خوشه بندی شد ، هماهنگی مشخص می شود. آنها با هم ، عمدتا به همان ترتیب و در همان بازه های زمانی فعال می شوند.

3. اگر آنها را در مدت زمان طولانی تر مشاهده کنیم ، هماهنگی آشکارتر می شود. حساب های::

• در همان زمان فعال شوید.
• در همان زمان خفته بروید.
• در صورت فعال بودن تقریباً یکسان رفتار کنید.

شکل 10. هماهنگی محکم در فعالیت ، خواب و معاد این حسابها غیرقابل توصیف است.

4- معاملات خام آدرس های گروهی در Tron Explorer همانطور که در زیر مشاهده می شود ، نشانگر منظم برنامه در مقیاس جمعی است. این سطح هماهنگی حتی توسط یک گروه همکاری از بازیکنان انسانی نیز نمی تواند انجام شود.

دلیل استراتژی جدید ربات در Tron

پیدا کردن یک استراتژی کاملاً جدید ربات که به ظاهر کاملاً از تجزیه و تحلیل EOS ما وجود ندارد ، بسیار غیرمعمول است ، اما ما فرض می کنیم که حضور آن در TRON می تواند در بخش بزرگی به اجرای پیگیری DPOS نسبت داده شود ، در این مقاله توسط SVK Crypto Firm شرکت SVKدر انگلستان:

- Tron حساب های رایگان ارائه می دهد ، در حالی که EOS فقط حساب های پرداخت کرده است.

- TRON 5000 نقطه پهنای باند رایگان در روز را ارائه می دهد ، در حالی که EOS به EOS STAKED نیاز دارد.

شکل 12. تفاوت های کلیدی بین EOS و TRON. توجه داشته باشید ، به ویژه ، حساب های رایگان و هزینه های معامله.

با توجه به این نکته ، ایجاد تعداد زیادی حساب برای چنین کمپین های هماهنگ ربات در Tron نسبت به EOS بسیار ساده تر و ارزان تر است. این با کشف ما از بسیاری از حساب های بزرگ ربات های حجمی بزرگ در TRON موافق است.

رباتهای بد در مقابل رباتهای خوب در دنیای blockchain

همه رباتها به طور برابر ایجاد نمی شوند. در دنیای blockchain ، مانند دنیای اینترنت ، ربات های خوب و ربات های بد وجود دارد.

چگونه رباتهای بد به اکوسیستم ، اقتصاد و امنیت blockchain آسیب می رسانند

ربات بد معمولاً اهداف مخرب دارند ، مانند:

• افزایش رتبه های DAPP با تقویت معیارهای معامله ، اغلب پروکسی از سلامت کلی تجارت. این شبیه به ربات های اینترنتی SEO (بهینه سازی موتور جستجو) است که کلیک ماوس را برای فریب موتورهای جستجو در لیست سایت مورد نظر بالاتر در رتبه بندی نتایج شبیه سازی می کند.
• افزایش نقدینگی نشانه های ابزار DAPP. بیشتر DAPP ها توسط Tokenomics پشتیبانی می شوند ، به این معنی که دارای یک دارایی رمزنگاری توکن هستند که به طور فعال در مبادلات مختلف رمزنگاری معامله می شوند. اگر هیچ فعالیت تجاری برای این نشانه وجود نداشته باشد و مبادله ای که در آن ذکر شده است دارای یک کتاب سفارش غیرقانونی است ، احتمالاً دارایی توکن با فشار طرف فروش و کاهش ارزش روبرو خواهد شد. یک مورد استفاده بسیار رایج برای رباتها ، استفاده از آنها به عنوان ابزاری برای ساخت بازار برای افزایش نقدینگی نشانه ها و افزایش ارزش دارایی یا رشد است.
• کسب سود در سود سهام پرداخت. بیشتر DAPP ها سود سهام سخاوتمندانه ، در سکه ها یا نشانه ها را پرداخت می کنند تا بازیکنان را برای بازی DAPP های خود (عمدتا مربوط به قمار) تشویق کنند.
• خرابکاری رقبای خود را با احتقان DAPP ، مشابه حمله تکذیب خدمات (DOS) به اینترنت.
• راه اندازی حملات BAPT (BLOCKCHAIN Advanced Advanced Pirement) به DAPP های آسیب پذیر هدفمند.[3]

چرا ربات های خوب وجود دارند

ربات های خوب اغلب توسط تیم DAPP با هدف:

• اجرای تست های تضمین کیفیت محصول خودکار در DAPP (یعنی ربات تضمین کیفیت)
• تعامل با بازیکنان انسانی. به عنوان مثال ، بازیکنان DAPP همیشه نمی توانند بازیکنان انسانی کافی برای تعامل با آنها پیدا کنند ، بنابراین یک بازیکن ربات برای پر کردن خلاء مستقر می شود.

چه کاری می توانیم به عنوان یک صنعت انجام دهیم؟

بدیهی است که DAPP ، به عنوان مهمترین کاربرد blockchain از این نوشتار ، در حال حاضر به شدت تحت تأثیر رباتها قرار می گیرد. چیزی که صنعت مسئولیت درک و پرداختن به آن را بر عهده دارد.

خوشبختانه ، دقیقاً مانند اینترنت متمرکز ، این کاربران واقعی انسانی هستند که محرک اصلی اکوسیستم blockchain غیرمتمرکز هستند زیرا سرمایه واقعی را به داخل اکوسیستم و پذیرش محرک هدایت می کنند. رشد ارگانیک اکوسیستم DAPP کلید موفقیت آن است ، بنابراین اطمینان از این امر باید اولویت اصلی همه توسعه دهندگان ، اپراتورها ، سرمایه گذاران و علاقه مندان به رمزنگاری باشد.

اگرچه صنعت blockchain در حال حاضر تنظیم نشده است ، اما به وضوح نسبت به بررسی بیشتر گرایش دارد ، و با توجه به اینکه مبادلات برتر رمزنگاری تحت رباتهای تجاری نظارتی SEC قرار می گیرد ، احتمالاً در زمینه انطباق و نظارتی مورد بررسی قرار می گیرد.

گفته می شود ، صنعت blockchain نیاز به آگاهی در مورد شیوع فعالیت های BOT در blockchains ، با شروع DAPP ها دارد.

توصیه های ما به بخش های مختلف:

سایت های رتبه بندی blockchain:

• تمام سایت های رتبه بندی DAPP باید از موتورهای تشخیص ربات استفاده کنند تا اطمینان حاصل شود که این رتبه بندی ها با معیارهای در زمان واقعی عادلانه و به روز هستند و تمرین استفاده از پایگاه داده های لیست سیاه استاتیک باید از بین برود.

پروتکل های blockchain:

• به عنوان سیستم عامل هایی که DAPP ها در آن میزبانی می شوند و اجرا می شوند ، پروتکل ها باید DAPP ها را از استفاده از ربات های تقلب به منظور جعل حجم ، معاملات و غیره دلسرد کنند تا در رتبه بندی بالاتر ظاهر شوند.
• تیم های پروتکل تمام داده های موجود را برای هر یک از DAPP ها در پروتکل خود دارند ، بنابراین آنها باید با شفافیت و تمرکز مجدد در رشد ارگانیک که به نفع خود و صنعت در طولانی مدت خواهد بود ، این هزینه را هدایت کنند.

تیم های DAPP:

• روی رشد کاربر ارگانیک انسان تمرکز کنید. این باعث موفقیت پایدار در دراز مدت خواهد شد.
• در ربات های خوبی سرمایه گذاری کنید که به بهبود کیفیت محصول و افزایش نقدینگی کمک می کند.
• با ساختن یا تشویق رباتهای بد تقلب نکنید.
• در برابر ربات های مخرب مانند BAPT (هکرهای blockchain) دفاع کنید [3].

مبادلات رمزنگاری:

• سیستم های شهرت مشابه با نمره اعتباری FICO باید برای جلوگیری از حساب های مشکوک مربوط به فعالیت های BOT وجود داشته باشد.

شیرجه عمیق به مدل جدید یادگیری ماشین ربات

در این تحقیق ، ما از مدل یادگیری عمیق EOS Bot موجود استفاده می کنیم ، با یک مدل جدید برای تشخیص ارتش تازه کشف شده "گروه ربات". روش یادگیری ماشین به شرح زیر است:

1. مدل CNN موجود (خالص عصبی Convolutional) برای EOS BOT برای دستیابی به دقت بالا و فراخوان کم آموزش داده شده است که منجر به نرخ تشخیص 18 ٪ حساب ها ، در 10 TRON BLOCKCHAIN DAPP قمار می شود. این نشان می دهد که مدل یادگیری عمیق ما Blockchain Agnostic و یادگیری رفتارهای ذاتی است ، نه هیچ الگوی خاص blockchain. از طرف دیگر ، رباتهای blockchain ویژگی های رفتاری مشترک را به اشتراک می گذارند.

2. شکل زیر توزیع حساب با سطوح مختلف فعالیت را نشان می دهد. بیش از 30 ٪ حسابهای با فرکانس پایین هستند که کمتر از 10 معاملات در 2019Q1 دارند. هنگامی که ما در مورد تشخیص های از دست رفته تحقیق می کنیم ، دسته های جدیدی از رفتارهای BOT را که منحصر به فرد برای blockchain tron است ، شناسایی کردیم. همانطور که در بالا ذکر شد ، ما توانستیم ربات های گروهی را در این حساب های غیرفعال شناسایی کنیم. آیا می توانیم یک مدل یادگیری ماشین را طراحی کنیم تا همه آنها را بیشتر تشخیص دهیم؟

3. برای تشخیص رفتارهای گروهی از این حساب های غیرفعال که ممکن است رفتارهای گروهی را تشکیل دهند ، ما مجموعه جدیدی از 25 ویژگی را طراحی کردیم و یک مدل خوشه بندی را آموزش دادیم. چند شاخص (ویژگی) قوی در مدل خوشه بندی ما:

• بالاترین میزان بازه زمانی فعال. هرچه نرخ بالاتر باشد ، احتمال پیروی از الگوی فعال ثابت بیشتر خواهد بود.
• سطح معاملههرچه سطح معامله بالاتر باشد ، شماره معامله سنگین تر است.

4- نمره Silhouettes ، یک اندازه گیری کیفیت از سفتی خوشه و فاصله خوشه ای بسیار جدا از هم ، برای بهینه سازی مدل خوشه بندی ما اتخاذ شده است. شکل زیر یک نقشه انتخاب شده Siluette Tron DAPP را نشان می دهد ، که نشان دهنده هر خوشه ای است که به یک انسجام بالا می رسد. میانگین نمره شبح 64/0 است که نشانگر خوشه بندی با کیفیت مناسب است.

5- علاوه بر این ، ما برای تجسم نتایج خوشه بندی از T-SNE (تعبیه همسایه تصادفی T- توزیع شده) استفاده می کنیم. همانطور که در زیر نشان داده شده است ، مدل ما با موفقیت یک خوشه محکم از حساب های "گروه ربات" را شناسایی کرده است.

با بزرگنمایی ، می توانیم ببینیم که خوشه های مختلف مانیفولد های غیرخطی به خوبی از هم جدا شده اند.

6. با این لایه اضافی از کوشش و از طریق اجرای مدل خوشه بندی ما ، حساب های ربات شناسایی شده خود را از 18. 0 ٪ به 30. 7 ٪ افزایش دادیم.

همانطور که در نمودار Ve نشان داده شده است ، مدل تازه طراحی شده تنها 3. 2 ٪ با مدل یادگیری عمیق همپوشانی دارد و تقریباً حسابهای ربات شناسایی شده را دو برابر می کند.

آمدن بعدی:

تیم مهندسی آنچین. ما را برای آخرین به روزرسانی در مورد تلاش های تحقیق ما در رسانه های اجتماعی دنبال کنید.