مشخص کردن عوامل کلیدی در اقتصاد رمزنگاری از طریق تجزیه و تحلیل معاملات blockchain

اقتصاد cryptocurrency اثری جامع دیجیتالی از رفتار اقتصادی انسان را فراهم می کند: تقریباً همه فعالیت های کاربران رمزنگاری شده با وفاداری در معاملات مربوط به blockchains عمومی ثبت می شوند. با این حال ، شناسه های کاربر در سوابق معامله ، یعنی آدرس های blockchain ، ناشناس هستند. یعنی آنها نمی توانند با هیچ شناسایی واقعی "زنجیره ای" از کاربران واقعی همراه باشند. با این وجود ، شناسایی نقش های اقتصادی آدرس ها از رفتارهای گذشته آنها هنوز هم امکان پذیر است. در این مقاله به تجزیه و تحلیل معاملات Token Ethereum ، توصیف رفتار عوامل کلیدی اقتصادی از الگوهای معاملات آنها ، و شناسایی آنها از طریق مدلهای یادگیری ماشین قابل تفسیر بررسی می شود. به طور خاص ، شش نوع فعال ترین عوامل اقتصادی در نظر گرفته شده است ، از جمله مبادلات رمزنگاری متمرکز ، مبادلات غیر متمرکز ، کیف پول رمزنگاری ، صادرکنندگان توکن ، خدمات هوایی و خدمات بازی. الگوهای معاملات مانند حجم معاملات ، سرعت معامله و خصوصیات ساختاری شبکه های معامله برای آدرس های blockchain فردی تعریف شده است. نتایج نشان داد که مبادلات رمزنگاری و کیف پول های آنلاین دارای الگوهای رفتاری امضا هستند و از این رو می توان به طور دقیق از سایر عوامل متمایز شد. صادرکنندگان توکن ، خدمات AirDrop و خدمات بازی گاهی اوقات می توانند اشتباه گرفته شوند. علاوه بر این ، ویژگی های شبکه های معامله ثروتمندترین اطلاعات را در شناسایی نماینده اقتصادی ارائه می دهد.

معرفی

اقتصاد cryptocurrency یک سیستم پیچیده و در عین حال شفاف اقتصادی و اجتماعی است. بیت کوین ، اتریوم و بیش از 270،000 ارز رمزنگاری و نشانه های دیگر از ژوئن سال 2020 در بلاکچین های اختصاصی یا میزبان صادر شده است [1]. متداول ترین راه ها برای به دست آوردن ارزهای رمزنگاری شده از طریق استخراج سکه و تجارت در مبادلات cryptocurrency یا بیش از پیشخوان است. سرمایه گذاران انفرادی و موسسات سرمایه گذاری همچنین می توانند در ازای سهام پروژه ها یا شرکت های خود ، نشانه هایی را از تیم های تجاری خریداری کنند. ارزهای رمزپایه به دست آمده توسط کاربران می توانند بیشتر به عنوان پول ، کالا ، سهام و نشانه های بازی در فعالیت های مختلف اقتصادی مورد استفاده قرار گیرند.

اقتصاد رمزارز نه تنها سیستم های اقتصادی دنیای واقعی را تکرار می کند، بلکه هر فعالیت اقتصادی را در پایگاه های داده عمومی ثبت می کند. شبکه بلاک چین یک سیستم کامپیوتری غیرمتمرکز است که شامل تعدادی کامپیوتر می شود که به طور مستقل اطلاعات تولید شده توسط کاربران نهایی خود را تأیید، ذخیره، محاسبه و همگام می کنند [2]. هر رکورد به شکل یک تراکنش، یعنی انتقال ارز دیجیتال از یک مجموعه از آدرس های زنجیره بلوکی به مجموعه ای دیگر از آدرس های زنجیره بلوکی، همراه با یک قطعه اختیاری از اطلاعات کمکی است. تا ژوئن 2020، شبکه بلاک چین بیت کوین بیش از 500 میلیون تراکنش را در بین 600 میلیون آدرس ذخیره کرد [3] و شبکه بلاک چین اتریوم بیش از 700 میلیون تراکنش را در بین 100 میلیون آدرس ذخیره کرد [1]. از آنجایی که شبکه های بلاک چین برای عموم قابل دسترسی هستند، سوابق تراکنش ها می توانند توسط هر شخص علاقه مندی دانلود، ممیزی و تجزیه و تحلیل شوند.

با این حال، یک مانع برای درک سوابق تراکنش های ارزهای دیجیتال، ناشناس بودن آدرس های بلاک چین است. در مقایسه با کاربر یک سرویس آنلاین سنتی که باید از یک ارائه دهنده خدمات ثبت نام کرده و هویت دریافت کند، یک کاربر ارز دیجیتال می تواند هویت خود، یعنی یک جفت کلید عمومی و خصوصی را با استفاده از الگوریتم های رمزگذاری بیضی کاملاً آفلاین تولید کند [2]. در این مورد، از آنجایی که کلید عمومی از هیچ طرفی غیر از کاربر به دست نمی آید، نمی توان این «نام کاربری» را با اطلاعات دیگری مرتبط کرد که بتوان از آن برای استنباط هویت واقعی کاربر استفاده کرد، به عنوان مثال، آدرس IP او.

با این وجود، ساتوشی ناکاموتو در پیشنهاد خود از سیستم بیت کوین هشدار داد که به دلیل شفاف بودن سوابق تراکنش، آدرس های بلاک چین مکرر استفاده شده ممکن است رفتار کاربر و در نتیجه هویت کاربر را آشکار کند [4]. اگرچه کاربران نهایی می توانند یک آدرس جدید برای هر تراکنش ایجاد کنند، ارائه دهندگان خدمات، به عنوان مثال، صرافی ها و کیف پول ها، معمولاً نمی توانند زیرا آنها باید پورتال های خدمات پایدار را حفظ کنند. در نتیجه، فعالیت میلیون ها آدرس بلاک چین بسیار ناهموار است. دارایی های ارزهای دیجیتال و تعداد تراکنش هایی که توسط آدرس ها آغاز و دریافت می شوند، همگی از توزیع های طولانی تبعیت می کنند [5، 6]. بنابراین، فعال ترین آدرس ها، به طور طبیعی نقطه ورود به درک جامع سوابق تراکنش های ارزهای دیجیتال هستند.

این تحقیق فعال ترین آدرس های بلاک چین را بررسی می کند. به طور خاص، شش نوع از قابل مشاهده ترین عامل های اقتصادی ارزهای دیجیتال، شامل صرافی های متمرکز و غیرمتمرکز ارزهای دیجیتال، کیف پول های رمزنگاری، صادرکنندگان توکن، خدمات airdrop و خدمات بازی در نظر گرفته می شوند. الگوهای تراکنش مانند ویژگی های حجمی، ویژگی های زمانی، و ویژگی های ساختاری شبکه تراکنش آدرس های زنجیره بلوکی برای توصیف و تمایز عوامل در نقش های مختلف استفاده می شوند.

بقیه مقاله به شرح زیر سازماندهی شده است: بخش. 2 مروری بر تحقیقات موجود در مورد شناسایی و طبقه بندی آدرس های بلاک چین ارائه می دهد. فرقه3 منابع داده، روش های استخراج ویژگی و مدل های یادگیری ماشینی مورد استفاده برای مطالعه آدرس ها را معرفی می کند. فرقه4 ویژگی های معاملاتی امضا و قابلیت شناسایی عوامل کلیدی را ارائه می دهد. و فرقه5 تحقیق را به پایان می رساند و دیدگاه های آینده را مورد بحث قرار می دهد.

کار مرتبط

تلاش های اولیه برای بی نام سازی آدرس ارزهای دیجیتال عمدتاً مبتنی بر خوشه بندی آدرس های اکتشافی بر روی مدل های داده بلاک چین خروجی تراکنش های خرج نشده (UTXO) است، به عنوان مثال، بیت کوین. دو مثال معمولی عبارتند از اکتشافی آدرس چند ورودی و تغییر [7]. اکتشافی های ورودی چندگانه در نظر می گیرند که در تراکنش بیت کوین با بیش از یک آدرس ورودی، آدرس های ورودی به احتمال زیاد متعلق به یک کاربر است. اکتشافی آدرس تغییر در نظر می گیرد که وقتی یک تراکنش چندین خروجی دارد، یکی از خروجی ها می تواند آدرس تغییر باشد که به آغازگر تراکنش تعلق دارد. با خوشه بندی آدرس ها، می توان آدرس های داخل همان خوشه را دارای هویت یکسانی در نظر گرفت [7]. روش های اکتشافی مفید هستند اما مستعد خطا هستند. به عنوان مثال، 156722 آدرس با استفاده از تراکنش های بیت کوین تا سال 2012 با موفقیت با بزرگترین صرافی ارزهای دیجیتال، Mt. Gox مرتبط شدند [5]. با این حال، تنها تقریباً 69٪ از آدرس ها را می توان به درستی با کاربران نهایی فردی مرتبط کرد [8].

خط دیگر تلاش به سمت آدرس cryptocurrency به نام ناشناس سازی ، به عنوان یک مشکل طبقه بندی ، آدرس را شناسایی می کند. از الگوریتم های یادگیری ماشین برای استخراج مدل های محاسباتی از الگوهای استخراج شده در سوابق معامله استفاده می شود. الگوهای معامله ای که برای توصیف آدرس blockchain استفاده می شود شامل میزان ، زمان و فرکانس معاملات آن است. تعادل cryptocurrency/token ؛و روزهای فعال [9-11]. شبکه های معامله همچنین می توانند در بین آدرس های blockchain ساخته شوند ، که در آن گره ها آدرس های فردی یا مجموعه ای از آدرس های خوشه بندی شده توسط اکتشافی هستند و لبه ها معاملات بین آدرس ها هستند. ویژگی های ساختاری گره ها در شبکه ها شامل اقدامات مختلف مرکزیت [10] ، نقوش [12] ، و تعبیه های مشتق شده از یادگیری شبکه در فضاهای بردار است [13 ، 14]. برای قراردادهای هوشمند در blockchains مانند اتریوم ، کدها و کدهای آنها نیز از ویژگی های مفیدی هستند [15 ، 16]. ویژگی های فوق در کارهای طبقه بندی باینری مؤثر است ، به عنوان مثال ، تعیین اینکه آیا یک آدرس یک طرح پونزی است [15 ، 17 ، 18] ، آدرس فیشینگ [14] یا نوع دیگری از کلاهبرداری [19 ، 20] و چند طبقه بندیوظایف ، به عنوان مثال ، تمایز بین مبادلات رمزنگاری ، خدمات قمار ، استخرهای معدن و بازارهای Darknet [9 11 ، 21].

این مقاله به دنبال جهت تحقیق دوم است ، که در آن ما به طور سیستماتیک طیف هایی از ویژگی ها را در الگوهای معامله تعریف می کنیم و شناسایی چندین عامل اصلی در اقتصاد رمزنگاری را بررسی می کنیم. برخلاف وظایف چند طبقه بندی قبلی ، ما نه تنها دقت طبقه بندی را گزارش می کنیم بلکه الگوهای معامله ای از آدرسهای blockchain را با توجه به نقش های اقتصادی آنها توضیح می دهیم و دلایل شناسایی آنها یا عدم وجود آنها را عمیقاً توضیح می دهیم.

داده ها و روش ها

داده های blockchain

از ژوئن سال 2020 ، شبکه blockchain Ethereum بیشترین تعداد معاملات رمزنگاری را در بین همه blockchain های عمومی ذخیره کرد. این معاملات را می توان به طور خلاصه به سه نوع طبقه بندی کرد: انتقال اتر (ارز اصلی اتریوم) ، نقل و انتقالات نشانه و تماس های قرارداد هوشمند. معاملات بیش از 270،000 توکن 56 ٪ (414 میلیون) از کل معاملات (745 میلیون) را تشکیل می دهد. از آنجا که بسیاری از فعالیت های اقتصادی رمزنگاری ، مانند جمع آوری کمک های مالی ، فقط با نشانه ها و نه اتر سر و کار دارد ، ما از معاملات توکن برای مطالعه رفتارهای عامل اقتصادی در این تحقیق استفاده می کنیم.

معامله توکن از یک آدرس به آدرس دیگر با استناد به عملکرد انتقال () در قرارداد هوشمند توکن ، با سه پارامتر ، یعنی از_ادرس ، to_address و ارزش ، که مخفف فرستنده ، گیرنده و میزان این معامله است ، انجام می شود. به ترتیب (شکل 1). فرستنده و گیرنده توکن می تواند یک آدرس کاربر (حساب خارجی ، EOA) یا آدرس قرارداد (COA) باشد. ERC20 رایج ترین استاندارد برای ایجاد نشانه های سفارشی در اتریوم است. ERC 20 نشانه قارچ است. یعنی می توان یک نشانه را به نسبت های کوچک تقسیم کرد ، که می تواند به طور مستقل در اقتصاد گردش کند. تمام معاملات ERC 20 توکن تا ژوئن 2019 با استفاده از یک مشتری blockchain Ethereum بدست آمد.

شماتیک از معامله نشانه ERC20. یک فراخوان ، یعنی فرستنده توکن ، عملکرد انتقال را در یک قرارداد توکن فراخوانی می کند و سه پارامتر را می گذراند ، یعنی از_ادرس ، to_address و ارزش. این معامله در صورت اعتبار در blockchain ثبت می شود. جدول زمانی معامله ارتفاع بلوکی است که در آن وارد شده است. آدرس های A و C معمولاً یکسان هستند

هویت عامل کلیدی شناخته شده

اگرچه از نظر فنی ناشناس است ، اما هویت آدرس های رمزنگاری گاهی اوقات به صورت آنلاین فاش می شود. به عنوان مثال ، برخی از کاربران انجمن ، به عنوان مثال ، کاربران Reddit و BitCointalk ، آدرس های شخصی بیت کوین یا اتریوم را در پروفایل های انجمن خود ارسال می کنند. آدرس های متعلق به مبادلات cryptocurrency ، خدمات کیف پول و خدمات قمار را می توان با تجارت یا تعامل با آنها به طور پیشرو شناسایی کرد [7]. سیستم عامل های هوشمند آنلاین ، مانند WalletExplorer.com [22] و Etherscan.io [1] ، برچسب های شناخته شده برای آدرس های بیت کوین و اتریوم را ارسال کرده و به کاربران امکان می دهند آدرس هایی را که می توانند تشخیص دهند ، برچسب گذاری کنند. ما 3364 برچسب از Etherscan.io جمع آوری کردیم و آدرس های حفظ شده ای را که متعلق به شش نقش اصلی عامل هستند: تبادل رمزنگاری متمرکز ، مبادله غیرمتمرکز ، کیف پول ، صادرکننده توکن ، سرویس هوایی و خدمات بازی و خدمات بازی و خدمات بازی ، و از ماه ژوئن شرکت کرده اند. 2019 به عنوان نمونه مطالعه.

مبادلات متمرکز و غیرمتمرکز هر دو مبادله رمزنگاری هستند که در آن کاربران می توانند انواع مختلفی از ارزهای رمزپایه را با پول فیات یا سایر ارزهای رمزنگاری خریداری و بفروشند. با این حال ، آنها تفاوت معنی داری دارند. در مبادله متمرکز ، یک فروشنده برای اولین بار به آدرس مبادله واریز می کند و سفارش فروش را باز می کند. سفارش فروش سپس با سفارش خرید ، چه توسط مبادله یا توسط خود کاربران (از طریق پیشخوان) مطابقت دارد. پس از پاکسازی و تسویه حساب ، خریدار می تواند نشانه را از مبادله خارج کند. در این حالت ، آدرس مبادله به عنوان سپرده گذاری بین خریدار و فروشنده عمل می کند. نمونه های معمولی از مبادلات متمرکز Binance و Kraken هستند. با این حال ، کاربران مبادله غیر متمرکز مستقیماً با مبادله معامله می کنند. یک مبادله غیرمتمرکز مجموعه ای از ارزهای مختلف رمزنگاری شده را حفظ کرده و قیمت های لیست را به صورت الگوریتمی تنظیم می کند. خریداران نشانه هایی را از استخر خریداری می کنند و فروشندگان نشانه ها را به استخر می فروشند. نمونه های معمولی مبادلات غیر متمرکز عبارتند از: Bancor ، Kybeetwork و Uniswap.

برای انواع باقیمانده ، کیف پول مخفف خدمات بانکی cryptocurrency آنلاین است که در آن کاربران ارزهای رمزنگاری و نشانه های خود را واریز می کنند ، صادرکننده توکن مخفف آدرس هایی است که از طریق فعالیت های جمع آوری کمک های مالی برای فروش نشانه ها به سرمایه گذاران استفاده می شود ، به عنوان مثال ، ارائه سکه های اولیه ، ارائه مبادله اولیه ، و و صرافیارائه خدمات امنیتی ، سرویس AirDrop مخفف آدرس هایی است که توکن ها را آزادانه به کاربران Cryptocurrency برای اهداف تبلیغات منتشر می کنند ، و سرویس بازی مخفف آدرس هایی است که توسط سازمان دهندگان قمار یا بازی های تفریحی استفاده می شود.

همانطور که در جدول 1 نشان داده شده است ، معاملات آدرس های منتخب سه سال طول می کشد و میلیارد ها دلار ارزش نشانه را رد و بدل کرده است. بنابراین ، ما معتقدیم که این آدرس ها با هویت های فاش شده می توانند نمایندگانی در اکوسیستم اتریوم در نظر گرفته شوند. بدیهی است ، این شش نوع یک لیست غیر اکسپرس از نقش های کلیدی اقتصادی در اقتصاد رمزنگاری است. برخی دیگر از نقشهای مهم دیگر نیز مورد توجه هستند. به عنوان مثال ، استخرهای معدن تمام رمزنگاری اصلی جدید در سیستم blockchain را سکه می کنند. با این حال ، آنها به دلیل علائم واضح آنها در مطالعه حاضر قرار نمی گیرند ، یعنی آدرس ها به صراحت در هر بلوک استخراج شده بیان می شوند و بنابراین نیازی به توصیف بیشتر ندارند.

استخراج ویژگی معامله

چهار گروه از ویژگی های معامله (جدول 2) هنگام توصیف آدرس های blockchain در نظر گرفته می شوند. حجم و ویژگی های زمانی الگوهای معاملاتی را که در آن آدرس ها به طور مستقیم در آن شرکت می کنند ، ضبط می کند. ویژگی های ساختاری شبکه معاملات الگوهای تعامل مرتبه بالاتر را در بین آدرس و همتایان آن ضبط می کند.

ویژگی های حجم شامل میانگین ، حداکثر ، حداقل و ارزش کل معاملات توکن به ترتیب توسط گره (به هشت متغیر) و همچنین تعادل در یک آدرس است. مقادیر توکن با استفاده از نرخ ارز روزانه خود که در سیستم آنلاین Cryptocurrency Intelligence Platsction CoinmarketCap.com منتشر شده است ، به دلار آمریکا اندازه گیری می شود. اگر یک نشانه در زمان معامله ذکر نشده باشد ، قیمت آن به صورت 0. با کیفیت 0. درمان می شود. ویژگی های زمانی شامل میانگین ، حداکثر ، حداقل و انحراف استاندارد از فواصل زمانی بین لبه های متوالی متصل به یک آدرس ، یعنی معاملاتآغاز و دریافت شده و هشت متغیر دیگر را به دست آورد.

ما از شبکه کارگردانی (g = (v ، e) ) استفاده می کنیم تا شبکه معامله ساخته شده از نقل و انتقالات را نشان دهیم. مجموعه گره های V آدرس های blockchain را نشان می دهد. (e = ) مجموعه ای از لبه های کارگردانی است که در آن هر E نشان دهنده انتقال نشانه ERC20 از آدرس (V_ ) به (V_ ) در یک بلوک با ارتفاع H است. ارتفاع بلوک همچنین می تواند به عنوان زمان سنج در هنگام انجام معامله در نظر گرفته شود.

Network size features of a node include the numbers of incoming and outgoing edges, i.e., transactions, (T_>) and (T_>) , in-degree (N_>) , out-degree (N_>) , and the size (N_>) of its 2-depth ego network. For each node v , its 2-depth ego network (G_^>=(V_^>, E_^>)) is defined as the collection of nodes (V_^>) , including the center node v and its direct and indirect neighbors that can be coected to within a distance of 2, by the edge set (E_^>)لبه های کپی شده بین گره ها با هم ترکیب شده اند ، یعنی حداکثر یک لبه وجود دارد که یک جفت گره را در شبکه های EGO متصل می کند.

ویژگی های ساختاری شبکه یک گره V شامل متقابل بین گره و همسایگان آن ، یعنی وجود لبه های دو جهته بین دو گره مجاور ،

ضریب خوشه بندی ، یعنی وجود لبه ها بین همسایگان گره ها ،

where (T(v)) is the number of triangles that contains node v , (deg ^>) جمع بندی از درجه و خارج از درجه آن است و (^<leftrightarrow>(v) ) مدرک متقابل آن است. چگالی شبکه EGO 2 عمق آن

جایی که n تعداد گره ها در شبکه EGO و M تعداد لبه های موجود در شبکه EGO است. و متقابل شبکه EGO 2 عمق آن

فرآیند آموزش مدلهای یادگیری ماشین

پنج طبقه بندی کننده آموزش دیده اند: رگرسیون لجستیک (LR) ، دستگاه بردار پشتیبانی (SVM) ، Perceptron چند لایه (MLP) ، جنگل تصادفی (RF) و LightGBM. این الگوریتم ها رایج ترین گزینه ها و بهترین عملکرد در blockchain قبلی است که به وظایف طبقه بندی هویت (بیشتر در آدرس های بیت کوین) می پردازد [23]. انتخاب و تنظیم پارامترهای الگوریتم در فرقه آورده شده است. 1 پرونده اضافی 1.

ما مدل را برای پنج بار آموزش می دهیم و از میانگین دقت ، دقت کلان ، کلان و کلان و کلان به عنوان نتایج نهایی استفاده می کنیم. در هر تکرار ، 100 آدرس به طور تصادفی از هر یک از مبادلات متمرکز ، مبادله غیرمتمرکز ، کیف پول ، صادرکننده توکن و نوع خدمات AirDrop انتخاب می شوند و از 25 آدرس خدمات بازی به عنوان نمونه آموزش استفاده می شود. شبکه های EGO 2 عمق با استفاده از معاملات در دوره فعال گره مرکز V ساخته می شوند. نمونه ها بیشتر به یک مجموعه تمرینی 80 ٪ و یک مجموعه آزمایش 20 ٪ تقسیم می شوند. مدل ها با استفاده از اعتبار سنجی متقاطع چهار برابر طبقه بندی شده در مجموعه آموزش ، یعنی 60 ٪ آموزش و اعتبار سنجی 20 ٪ ، آموزش داده می شوند و بیشتر در مجموعه آزمون آزمایش می شوند.

با توجه به اینکه تعداد گره های سرویس بازی به مراتب کوچکتر از سایر انواع عوامل کلیدی است ، از یادگیری حساس به هزینه برای حل مشکل عدم تعادل کلاس استفاده می شود. به طور خاص ، ما وزن هر گره را به عنوان (w_ = k/p_ ) محاسبه می کنیم ، جایی که (k = 1/ text ) ، و (p_ ) نسبت تعداد نمونه ها در نوع استکدام نمونه در کل مجموعه نمونه مورد استفاده برای آموزش مدل ، به عنوان مثال ، (15/315 = 1/21 ) برای خدمات بازی است.

نتایج

در این بخش ، ابتدا ویژگی های امضای انواع مختلف عوامل اقتصادی کلیدی را بررسی می کنیم و سپس از مدل های یادگیری ماشین برای آزمایش شناسایی عوامل با استفاده از رفتار معامله خود استفاده می کنیم. سرانجام ، ما اهمیت ویژگی های مختلف را در شناسایی عوامل بررسی می کنیم.

الگوهای معامله عوامل کلیدی

مقایسه متفاوت بودن ویژگی در شکل 2 نشان داده شده است. هر یک از نقاط داده یک میانگین ورود به سیستم با حداقل خط (با مشخصات ( tilde )) برای هر نوع عوامل اقتصادی است. ما همچنین توطئه توزیع ارزش ویژگی را با استفاده از مقیاس های اصلی آنها در بخش اضافی پرونده 1 ارائه داده ایم. 3. برخی از تمایزات آشکار بین انواع مختلف عوامل در بندهای زیر مورد بحث قرار گرفته است ، اگرچه تفاوت های ظریف تر توسط چشمان برهنه از شکل قابل بازرسی است.

توزیع شش عامل اصلی اقتصادی رمزنگاری در چهار گروه از ویژگی های معامله. هر یک از نقاط داده یک میانگین ورود به سیستم عادی حداقل (مشخص شده با یک ویژگی ( tilde )) برای هر نوع عوامل اقتصادی است. برخی از انواع عوامل دارای مقادیر مشخصه مشخص هستند. توطئه توزیع ویژگی ها با مقادیر مطلق آنها را می توان در بخش اضافی 1 File 1 یافت. 3

Centralized exchanges (red lines) show distinctions in the total volume of tokens transferred into the centralized exchanges, e.g., ( ilde_>^>) , ( ilde_>^>) , and ( ilde_>^>) , their balances ( ilde_>) , the maximum time interval between transactions ( ilde_>^>) and ( ilde_>^>) , and the number of incoming edges ( ilde_>) ، یعنی تعداد معاملات دریافت شده. این الگوهای نشان می دهد که مبادلات متمرکز بسیاری از معاملات ورودی را از بسیاری از کاربران می پذیرند ، و نشانه های دریافتی تمایل به ماندن در آدرس مبادلات دارند. با این حال ، سپرده ها به و برداشت از مبادلات متمرکز با گذشت زمان به طور ناهموار توزیع می شوند و دلالت بر این دارند که فعالیت های کاربران مبادله ممکن است ناشی از وقایع نادر در بازار باشد.

Decentralized exchanges (orange lines) have large incoming transactions ( ilde_>) and the total volume of withdrawals ( ilde_>^>) . These features indicate that the users of decentralized exchanges tend to sell their tokens in many small transactions and buy in large bulks. Decentralized exchanges are particularly distinguishable in terms of their network structural features: the reciprocity R̃ , density ( ilde^>) , and reciprocity ( ilde^>) شبکه های 2 عمق آنها به طور قابل توجهی بزرگتر از سایر انواع عوامل است. این ویژگی ها نشان می دهد که مبادلات غیرمتمرکز در بین کاربران پیشرفته که احتمالاً نشانه هایی را در آدرس های blockchain خود ذخیره می کنند و به طور مرتب نشانه ها را در بین خود منتقل می کنند ، محبوب تر است.

Wallets (green lines) have also shown distinguishable features, such as large incoming and outgoing transaction time intervals, e.g., ( ilde_>^>) , ( ilde_>^>) , and ( ilde_>^>) , and large minimum values ( ilde_>^>) and ( ilde_>^>) of tokens transferred in and out of the wallet addresses, respectively. These features indicate that cryptocurrency wallets are used as traditional banks: they do not have a high transaction frequency, but on average have larger transaction volumes. Like banks, wallet services usually serve as proxies for users and deal with other key economic agents directly and, therefore, have a large clustering coefficient C̃ and larger 2-depth ego networks ( ilde^>) .

Token issuers (cyan lines) and airdrop services (blue lines) are both economy agents that disseminate tokens to investors. However, they exhibit different characteristics in their transaction behaviors. For token issuers, the level of activities, even in their most active period, are low. But for airdrop services, since they give out tokens for free to a larger user group rather than sell tokens to investors, the standard deviation of received transaction intervals (I_>^>) , initiated transactions ( ilde_>) , and the out-degree ( ilde_>) ، یعنی تعداد گیرندگان معامله ، به طور قابل توجهی بزرگتر از سایر عوامل کلیدی هستند. نکته قابل توجه ، مقادیر متوسط ویژگی های حجم هر دو صادرکننده توکن و آدرسهای هوایی جمع آوری شده در مجموعه داده ما نزدیک به 0 است ، که این امر بیشتر به این دلیل است که بیشتر نشانه هایی که منتشر شده اند به تبادل رمزنگاری نمی رسند و از این رو هرگز قیمت نمی شدند.

آدرس های بازی (خطوط بنفش) هیچ ویژگی متمایز از سایر عوامل کلیدی را نشان نمی دهد. ویژگی های اندازه شبکه آنها شبیه به مبادلات غیر متمرکز است ، در حالی که ویژگی های ساختاری شبکه و ویژگی های حجم نزدیک به خدمات AirDrop و صادرکنندگان توکن است.

طبقه بندی مدل

این پنج مدل قدرت پیش بینی قابل توجهی بالا را به مجموعه داده جمع آوری شده نشان می دهد. جدول 3 را ببینید. طبقه بندی کننده جنگل تصادفی بالاترین نمرات را در دقت (89. 3 ٪) ، دقت کلان (88. 8 ٪) ، فراخوان کلان (86. 2 ٪) و کلان F1 (86. 5 ٪) به دست آورد.

برای هر نوع عامل کلیدی ، جدول 4 دقت ، فراخوان و F1 را از طبقه بندی کننده جنگل تصادفی نشان می دهد. مبادله متمرکز ، مبادله غیرمتمرکز و آدرس های کیف پول همه را می توان به طور دقیق از انواع دیگر عوامل کلیدی با دقت متمایز کرد ((<>>90 ٪ ). خدمات AirDrop ، با حفظ میزان مشخصی از ویژگی های معامله خاص ، می تواند با (شناسایی شود (<>>80 ٪) احتمال. با این حال ، صادرکنندگان توکن و خدمات بازی فقط به دلیل عدم وجود ویژگی های معامله قابل تشخیص ، با دقت 70 ٪ قابل شناسایی هستند.

به طور خاص ، شکل 3 ماتریس سردرگمی پیش بینی های طبقه بندی کننده جنگل تصادفی را نشان می دهد. آدرس های صادرکننده توکن با خدمات AirDrop با احتمال 15 ٪ اشتباه گرفته می شوند ، در حالی که خدمات بازی 36 ٪ از زمان به سوء تفسیر می شوند.

ماتریس سردرگمی پیش بینی های طبقه بندی کننده جنگل تصادفی. ردیف ها برچسب نمونه ها هستند و ستون ها هویت پیش بینی شده هستند. مبادلات و کیف پول را می توان کاملاً از سایر عوامل متمایز کرد در حالی که صادرکنندگان توکن ممکن است با خدمات AirDrop اشتباه گرفته شوند و خدمات بازی ممکن است با صادرکنندگان نشانه اشتباه گرفته شود

تجزیه و تحلیل اطلاع رسانی ویژگی ها

مدل های قابل تفسیر مانند RF توضیحات کمی از اهمیت ویژگی ها (به عنوان مثال ، قدرت پیش بینی) در کارهای طبقه بندی ارائه می دهند. شکل 4 اهمیت ویژگی را در طبقه بندی کننده جنگل تصادفی بر اساس اهمیت جابجایی نشان می دهد. اهمیت ویژگی جابجایی تعریف شده است که کاهش در نمره مدل در هنگام تغییر یک ویژگی واحد به طور تصادفی [24]. هرچه کاهش بیشتر باشد ، قدرت پیش بینی کننده یک ویژگی می تواند بیشتر باشد.

میانگین و واریانس اهمیت ویژگی در مدل جنگل تصادفی. این ویژگی ها با توجه به نمرات اهمیت جابجایی آنها رتبه بندی می شوند. اندازه شبکه و ویژگی های ساختاری و ویژگی های زمانی بالاترین امتیاز را کسب می کند در حالی که ویژگی های حجم اطلاعات زیادی را در مدل ارائه نمی دهند

Network size features, especially the out-degree (N_>) and the size of the ego network (N^>) , are ranked highest. Temporal feature average interval of sent transactions (I^>_>) is also ranked high. Moreover, transaction network structural features, such as the density (D^>) and reciprocity (R^>) از شبکه های EGO 2 عمق و متقابل آدرس های هدف ، نیز در رتبه بالایی قرار دارند. ویژگی های حجم اهمیت ویژگی بالایی در مدل را نشان نمی دهد.

به دنبال منطق مشابهی از اهمیت ویژگی های جابجایی ، ما یک فرآیند انتخاب مانند ویژگی های رو به جلو و عقب را برای بررسی اهمیت گروه های ویژگی ها تطبیق می دهیم. جدول 5 نتایج پیش بینی طبقه بندی کننده جنگل تصادفی را با استفاده از ترکیبات مختلف گروه های ویژگی ، با همان تنظیمات پارامتر Hyper نشان می دهد. مشاهده می شود که با استفاده از همه گروه های ویژگی ها به بالاترین نمره کلان F1 رسیده است. هنگام استفاده از یک گروه واحد از ویژگی های معامله ، اندازه شبکه دارای بالاترین قدرت پیش بینی کننده است. هنگام استفاده از دو گروه ، ترکیبی از اندازه شبکه و ویژگی های زمانی به بالاترین شناسایی می رسد. هنگام استفاده از سه گروه ، یعنی انتشار یک گروه از ویژگی ها ، ترکیبی که از ویژگی های زمانی خارج می شود ، کمترین پیش بینی را ارائه می دهد ، این نشان می دهد که ویژگی های زمانی بیشترین ارتباط را برای سایر گروه ها در شناسایی عوامل کلیدی در اقتصاد رمزنگاری فراهم می کند. واد

نتیجه گیری و بحث

عوامل کلیدی مهمترین احزاب در اقتصاد رمزنگاری هستند. این آدرس های بسیار اندک با بیشتر معاملات ذخیره شده در blockchains سروکار دارند. درک کامل از این نقاط ورود می تواند زمینه ای محکم برای کاوش در آینده از رفتار سایر عوامل اقتصادی ، مانند بازارها ، بازرگانان و فعالیتهای مختلف غیرقانونی فراهم کند.

معاملات cryptocurrency که به طور عمومی در blockchains ذخیره می شوند ، یک منبع داده منحصر به فرد برای مطالعه رفتارهای کاربر اقتصاد cryptocurrency ارائه می دهند. در این مقاله ، ما الگوهای معاملات ، به عنوان مثال ، حجم معاملات ، فاصله زمانی معاملات و ویژگی های ساختاری شبکه معاملات ، به عنوان مثال ، اتصال بین آدرس های blockchain ، برای توصیف و شناسایی شش نوع از عوامل کلیدی اقتصادی ، یعنی مبادلات متمرکز ، غیر متمرکز استخراج شده است. مبادلات ، کیف پول cryptocurrency ، صادرکنندگان توکن ، خدمات AirDrop و خدمات بازی در اقتصاد cryptocurrency.

مبادلات متمرکز ، مبادلات غیرمتمرکز و کیف پول رمزنگاری آنلاین همه ویژگی های متمایز را نشان می دهد. مبادلات متمرکز به عنوان سپرده بین خریداران و فروشندگان عمل می کنند و از این رو مقادیر زیادی سپرده دریافت می کنند و مانده های زیادی را در خود جای می دهند. مبادلات غیر متمرکز تجارت با کاربران به طور خودکار تجارت می کند و بنابراین ، متقابل قابل توجهی بالاتر در ساختار شبکه معاملات خود نشان می دهد. خدمات کیف پول آنلاین را می توان بانکهای رمزنگاری در نظر گرفت و بنابراین حداقل ارزش بالاتر معاملات برداشت را دارد. صادرکنندگان Token و خدمات AirDrop هر دو نشانه را به سرمایه گذاران پخش می کنند. با این حال ، از آنجا که خدمات AirDrop نشانه هایی را به یک گروه کاربر بزرگتر نشان می دهد ، آنها تعداد بسیار بیشتری از معاملات خروجی نسبت به صادرکنندگان نشانه دارند. خدمات بازی به طور معمول بسیاری از معاملات ورودی را دریافت می کنند اما در مقایسه با سایر انواع عوامل کلیدی ، ویژگی های متمایز را نشان نمی دهند.

الگوریتم های یادگیری ماشین که بر روی ویژگی های استخراج شده آموزش دیده اند ، قدرت پیش بینی قوی را برای شش نوع عامل کلیدی ، به عنوان مثال ، کلان F1 = 0. 865 نشان داد. نتایج پیش بینی نسبت به معیارهای مختلف نمونه گیری و تنظیمات پارامتر Hyper مدل قوی است. با این حال ، حتی اگر مبادلات و خدمات کیف پول را می توان به طور دقیق از انواع دیگر عوامل کلیدی ، صادرکنندگان توکن ، خدمات AirDrop و خدمات بازی با یکدیگر متمایز کرد. تجزیه و تحلیل اهمیت ویژگی نشان داده است که اندازه شبکه و ویژگی های ساختاری دارای بالاترین قدرت پیش بینی کننده برای عوامل کلیدی است ، در حالی که ویژگی های زمانی معامله مستقل ترین اطلاعات را از سایر گروه های ویژگی ها ارائه می دهد.

با این حال ، طبقه بندی عوامل اقتصادی رمزنگاری کلیدی به شش نوع می تواند مورد بحث قرار گیرد. به عنوان مثال ، مبادلات غیرمتمرکز و کیف پول های آنلاین را می توان به راحتی در بین خود تقسیم کرد ، احتمالاً مربوط به مدل های مختلف تجاری است که خدمات اتخاذ می کنند (به بخش 4 در پرونده اضافی 1 برای یک طرح اکتشافی مراجعه کنید).

اهمیت فناوری blockchain این است که کلیه فعالیت های کاربر با وفاداری ذخیره می شود و در دسترس عموم قرار می گیرد و امکان انجام هرگونه فعالیت غیرقانونی مانند دستکاری بازار در مبادلات رمزنگاری ، هک کردن کیف پول های آنلاین و تقلب در بازی ها را فراهم می کند تا بلافاصله در معرض دید عموم قرار گیرد. واداگرچه بسیاری از ارزهای رمزپایه تازه توسعه یافته ، به عنوان مثال ، Zcash و Monero ، این طبیعت را به عنوان یک پیوند ضعیف در طراحی اصلی بیت کوین می بینند و سعی می کنیم قابلیت ردیابی معاملات را توسط طرح های رمزنگاری پنهان کنیم ، ما استدلال می کنیم که شناسایی نقش های عامل اقتصاد رمزنگاری ، باعث نمی شود که نقش های عامل اقتصاد رمزنگاری شود. ویژگی های حریم خصوصی و امنیتی cryptocurrency بلکه اعتماد به نفس کل اقتصاد رمزنگاری را تقویت می کند. دانستن نقش های اقتصادی مرتبط با هر آدرس blockchain باعث اعتماد به نفس در همتایان معامله آنها می شود و بنابراین اولین قدم در جهت ایجاد یک اقتصاد غیر متمرکز کاملاً شفاف و خود تنظیم شده است.