观点 | 去匿名化：区块链分析中的最大挑战

显示全部楼层 · 发表于 2019-11-22 15:00:16

来源：Hackernoon
翻译：头等仓（First.vip）Saline

本文回答了区块链分析中最大的挑战是什么这个问题，并加以解释其缘由。

近期，有人问过我区块链分析中最大的挑战是什么？我的回答很简单：去匿名化。我坚信，识别及理解相关参与者群体是释放区块链分析潜力的关键挑战。我们花了大量时间去思考这个问题，并确定不与加密活动精神相冲突的界定。下文将深入探讨此观点。
目前大多数区块链的架构都依赖于匿名机制，以此来保护节点隐私并实现去中心化。这种数据混淆机制使加密资产交易数据能够记录在公共账本中，并向所有人开放，但同时也使这些数据的分析变得极为困难。如果没有身份，就很难开发出有意义的语义和区块链数据集的解释层，区块链分析将仍然相对基础。然而，重要的是，对区块链数据集进行去匿名化并不等于要知道账本中每个地址的身份。这种方法几乎不可能规模化。但我们可以识别并理解已知参与者的行为，如交易所、OTC（场外交易）平台、矿工和其他构成区块链生态系统关键要素的参与者。

并非所有地址都相同
网络指标是区块链分析中随处可见的一个指标，它代表去匿名化的作用。地址计数通常是一个具有误导性的指标，因为并非所有地址都是相同的。交易所为临时转账而创建的地址与长期持有资金的钱包地址并不相同。因此大型交易所的热钱包不应使用与个人钱包相同的语义。通过相同的匿名视角来看待所有地址，会导致有限的且常常是误导性的解释出现。

匿名vs可解释性
匿名或匿名身份是可扩展的去中心化架构的关键要素，但它也使得从区块链数据集中获取有意义的信息变得极为困难。将匿名性看作是区块链分析可解释性的一个相反因素即可理解这一点。
在区块链数据集中，匿名性和可解释性之间的摩擦相对较小。区块链数据集越匿名，从中提取有意义的情报就越困难。身份提供了背景，而背景则是可解释性的关键基础。

“你是什么”比“你是谁”更重要：去匿名化vs标签化
对区块链数据集进行去匿名化并不需要知道每个参与者的具体身份。这不仅是一项艰巨的任务，而且在一定程度上也会适得其反。相反，我们可以了解特定参与者的关键特征或特性，从而为我们的分析提供有意义的可解释性。因此，与其清晰标识每个地址的具体身份，倒不如向其附加标签或元数据来描述该地址的行为。
从规模上来讲，标签概念往往比身份概念更强大。虽然了解区块链生态系统中参与者的具体身份可以实现个性化，但从宏观层面上了解趋势仍然相对有限。

因此，去匿名化挑战更多地与识别区块链地址的关键标签或属性有关，而非了解用户的具体身份。那么我们该怎么做呢？
机器学习法
要标记或去匿名化区块链以做到最佳分析，首先要了解该领域中已知参与者的相关模式及特征。直观地说，我们可以考虑创建规则以限定区块链生态系统的不同元素。就比如：
如果某个地址的BTC持仓量很大，且每个数据都有100笔以上的转账交易，那么它极有可能是一家交易所。
这种基于规则的方法似乎很简单，但它也无法提供任何有意义的情报。原因如下：
1.预设知识：基于规则的分类假设我们拥有足够的知识来准确识别区块链生态系统中的不同参与者。这显然是不正确的。
2.不断变化：区块链解决方案的架构始终随着时间的变化而变化，这对所有预设规则来说都是一个挑战。
3.属性数量：创建一个带有两三个参数的规则很简单，但是尝试用二十或一百个参数就没那么容易了。而像交易所或场外交易平台这样的身份识别参与者则需要多种属性的多种组合。
我们需要一种能够学习区块链数据集模式并推断有意义规则的机制，从而使我们能够标记相关参与者，而非采用预先设置的规则。从概念上讲，这是教科书中的机器学习问题。
从机器学习的角度来看，我们应该结合以下两种主要方法来思考去匿名化挑战：
·无监督学习：无监督学习关注给定数据集的学习模式并识别相关组。在区块链数据集的语境中，无监督学习可以使用无监督模型将一组地址根据其活动划分为相关组，并向这些组附加标签。
·监督学习：监督学习方法将利用以前的知识来学习有关给定数据集的新特征。在区块链语境中，监督学习方法可以针对特定的交易地址集进行训练，以检测新的交易地址。

去匿名化或标记区块链数据集很少只采用监督学习方法，或只采用无监督学习方法，而是将两者相结合。机器学习模型可以有效地学习区块链生态系统中特定参与者的特征，并利用这些知识来理解其行为。
向区块链数据集引入标签层或身份信息识别层是实现有意义分析的关键挑战。标签提供了更好的语境，使分析模型具有更好的可解释性。尽管我们拥有强大的机器学习堆栈，但对于实现区块链生态系统最佳分析来说，去匿名化仍然是一个极难铲除的障碍。

转载请保留版权信息，感谢阅读。

20191122103059_D3pA.jpg

观点 | 去匿名化：区块链分析中的最大挑战

相关帖子