比特币是一种加密货币,其交易记录在一个分布式、可公开访问的账本上。在比特币区块链上,拥有实体的真实身份隐藏在假名(即所谓的地址)后面。因此,人们普遍认为比特币具有高度的匿名性,这是比特币频繁用于非法活动的驱动力。本文提出了一种利用有监督机器学习来预测尚未识别的实体类型的比特币区块链非对称化的新方法。我们使用了957个实体的样本(约3.85亿笔交易),其身份和类型已被揭示,作为训练集数据和已建立的区分12个类别的分类器。我们的主要发现是,我们确实可以预测尚未确认的实体的类型。使用带默认参数的Gradient Boosting(梯度提升)算法,交叉验证的平均准确率为80.42%,F1得分约为79.64%。我们展示了两个例子,我们展示了两个例子,一个是我们对一组22个被怀疑与网络犯罪活动有关的集群进行预测,另一个是我们对153293个集群进行分类,以提供比特币生态系统活动的评估。我们讨论了我们的方法在组织规范和合规方面的潜在应用,社会意义,概述了研究的局限性,并提出了未来的研究方向。附录中包含了组织使用的方法的原型实现。
Regulating Cryptocurrencies: A Supervised Machine Learning Approach to De-Anonymizing the Bitcoin Blockchain
Journal of Management Information Systems
链接: https://pan.baidu.com/s/1HNEf6hoILueDoZ7hUJ6SQA 提取码: vddk
未经允许不得转载:武大金融网 » 【比特币2019年文章】监管加密货币:比特币区块链去匿名化的监督机器学习方法