面向比特币中恶意地址识别的研究
密码学与安全
2021-12-23 v1 计算机与社会
分布式、并行与集群计算
机器学习
摘要
区块链交易的时间特性使我们能够研究地址行为并检测其是否涉及任何非法活动。然而，由于找零地址（用于抵御重放攻击）的概念，时间特性在比特币区块链中不能直接适用。在利用此类时间特性之前，应执行若干预处理步骤。我们受此驱动研究比特币交易网络，并使用突发、吸引力和事件间隔时间等时间特征，以及节点度和聚类系数等若干基于图的属性，来验证已知适用于其他加密货币区块链的现有方法在比特币区块链上的适用性。我们生成时间与非时间特征集，并在不同时间粒度上训练机器学习（ML）算法以验证 SOTA 方法。我们研究了数据集中不同时间粒度下地址的行为。我们确认在应用找零地址聚类后，比特币中可提取现有时间特征并应用 ML 方法。结果的比较分析表明，以太坊与比特币中地址在入度、出度和事件间隔时间方面的行为相似。此外，我们识别出 3 个在不同时间粒度下表现出恶意行为的嫌疑地址，这些嫌疑地址在比特币中未被标记为恶意。
引用
@article{arxiv.2112.11721,
title = {Towards Malicious address identification in Bitcoin},
author = {Deepesh Chaudhari and Rachit Agarwal and Sandeep Kumar Shukla},
journal= {arXiv preprint arXiv:2112.11721},
year = {2021}
}