Анализ сетей транзакций с криптовалютами с помощью измерений централизации графов

Проблемы в графическом строительстве

Создание надежного графика из данных блокчейна нетривиально. Один пользователь может контролировать тысячи адресов (феномен, известный как кластеризация адресов). Аналитики должны сначала агрегировать адреса, которые принадлежат одному и тому же объекту, используя эвристику, такую как общие схемы расходов или анализ транзакций с несколькими входами. Без кластеризации граф становится фрагментированным, а показатели централизации могут искажать истинное влияние. Кроме того, сам объем транзакций — только биткойн обрабатывает сотни тысяч транзакций в день — требует эффективных алгоритмов графа и часто выборки или временного окна.

После построения графика можно вычислить меры централизации. Каждая мера фиксирует различный аспект важности узла, и реальная мощность происходит от их объединения.

Степени влияния: степень централизации

Степень централизации — самая простая мера. Для данного узла подсчитывается количество инцидентов с ребрами, с которыми сталкивается этот узел. В направленном криптовалютном графе мы различаем степень (количество входящих транзакций) и степень (количество исходящих транзакций). Кошелек с очень высокой степенью может быть популярным адресом обменного депозита или платежным процессором, получающим много небольших платежей. Высокий уровень часто характеризует обмены или отправителей пакетов, таких как пулы майнинга, распределяющие вознаграждения.

Степень централизации вычислительно дешева и обеспечивает фильтр первого прохода для идентификации узлов. Однако она одинаково относится ко всем соединениям. В криптосетях кошелек, подключенный ко многим адресам с низкой активностью, может иметь ту же степень, что и кошелек, подключенный к нескольким основным игрокам. Это ограничение приводит к необходимости более тонких мер.

Пример: Идентификация горячих кошельков биржи

Крупные биржи, такие как Binance или Coinbase, работают с горячими кошельками, которые ежедневно обрабатывают тысячи снятия и депозитов. Эти кошельки обычно имеют чрезвычайно высокую степень и степень. Сканируя верхний 1% узлов по степени централизации, аналитики могут быстро создать короткий список кошельков обмена кандидатов. Ссылки на общедоступную информацию (например, страницы Proof of Reserves или теги блокчейна) подтверждают их личность.

Роль брокера: междугородняя центральность

Междуцентральность измеряет, как часто узел лежит на кратчайших путях между всеми парами узлов в сети. В криптовалютном плане узел с высокой степенью межсетевого взаимодействия является критическим мостом — он находится на пути потоков стоимости, которые в противном случае должны были бы занять более длинные маршруты. Такие узлы часто смешивают службы, тумблеры или протоколы мостов, которые консолидируют средства из многих источников и перераспределяют их.

Между ними вычислительно дорого для больших сетей (алгоритм Брандеса работает в O(NM) для невзвешенных графов, где N — узлы, а M — края). Для блокчейн-графов с миллионами узлов часто используются приближения или выборка. Тем не менее, это один из самых мощных показателей структурной важности и потенциальной незаконной деятельности.

Тематические исследования: обнаружение услуг по смешиванию

Рассмотрим типичный сервис смешивания: пользователи отправляют биткойны по назначенному адресу, микшер объединяет средства, а затем отправляет эквивалентные суммы на адреса назначения, часто в ошеломляющей манере. Адрес микшера будет иметь центральную степень умеренности, но исключительно высокую центральную роль между ними, потому что почти каждая транзакция, маршрутизируемая через него, соединяет разрозненные части сети. Когда правоохранительные органы расследуют платежи вымогателей, они часто отслеживают выкуп за услугой смешивания, следуя пикам между пиками в графе транзакций. Например, ныне несуществующая служба Bitcoin Fog была идентифицирована частично с помощью такого анализа графа.

Насколько все центрально? / Closeness Centrality

Центральность замкнутости инвертирует среднюю кратчайший путь от узла ко всем другим достижимым узлам.Высокий показатель близости означает, что узел может быстро достичь всех остальных — он расположен в центре с точки зрения топологической дистанции. В криптовалютных сетях более близкие узлы являются более эффективными вещателями информации (хотя в сетях транзакций информационный поток не является основной проблемой). Более практически центральность близости может идентифицировать кошельки, которые хорошо связаны с остальной экосистемой, такие как большие внебиржевые столы или агрегаторы DeFi.

Одно из ограничений заключается в том, что центральная близость имеет значение только для подключенных графов. В сетях блокчейна граф может состоять из тысяч изолированных компонентов (кошельки, которые никогда не взаимодействуют с основными кластерами). Аналитики часто вычисляют близость только на самом большом подключенном компоненте, который обычно содержит подавляющее большинство активных адресов.

Богатые становятся богаче: центральная роль Эйгенвектора

Центральность Эйгенвектора не просто подсчитывает соединения — она взвешивает их по важности подключенных узлов. Узел, подключенный к узлам высокой централизации, получает более высокий балл. Эта мера связана с PageRank и использует основной собственный вектор матрицы смежности. В криптовалютных сетях центральная роль собственных векторов помогает идентифицировать кошельки, которые важны не только потому, что у них много соединений, но и потому, что они связаны с другими влиятельными кошельками.

Например, биржевой кошелек может иметь высокую степень централизации, но кошелек, принадлежащий к основному внебиржевому (OTC) столу, который торгует непосредственно с несколькими биржами, и крупные киты могут иметь еще более высокую собственную центральную роль.

Сочетание Эйгенвектора и Между

Когда узел демонстрирует как высокую степень между ними, так и высокую центральную роль собственного вектора, он часто является центральным посредником, который также вызывает уважение со стороны других важных узлов. Эта комбинация особенно подозрительна, когда встречается в адресах с низкой степенью, поскольку это может указывать на контролируемый кошелек, используемый для наслоения, полученного от преступлений. Расширенные платформы аналитики блокчейна, такие как Chainalysis или CipherTrace, используют многометровые оценки для обозначения таких узлов.

За пределами Большой Четверки: дополнительные меры централизации

Хотя степень, близость и собственный вектор являются наиболее распространенными, другие меры обеспечивают взаимодополняющие взгляды.

PageRank и персонализированный PageRank

PageRank, первоначально используемый Google для веб-страниц, является вариантом централизации собственных векторов, который включает в себя демпфирующий фактор и телепортацию. В криптографах PageRank может выделять кошельки, которые являются авторитетными источниками или поглотителями средств. Персонализированный PageRank (с семенным набором известных незаконных адресов) может распространять оценки подозрений через сеть, метод, широко используемый в AML.

Гармоническая центральность

Гармоничная центральность похожа на близость, но лучше обрабатывает отсоединённые графы, суммируя взаимные расстояния. Она легче поддаётся вычислению и стала популярной в графовых базах данных, таких как Neo4j, для крупномасштабного анализа блокчейна.

Централизация Каца

Центральность Каца подсчитывает все пути между узлами, с коэффициентом распада для более длинных путей.Он может идентифицировать узлы, которые оказывают влияние, даже если они не связаны напрямую со многими соседями, если они являются частью многих более длинных цепей.

Практический рабочий процесс: от сырых транзакций до показателей централизации

Для проведения анализа центральной роли графов в криптовалютных сетях требуется многоступенчатый конвейер.

1. Потребление данных: Запустите полный блокчейн-узел (например, Bitcoin Core) или используйте API (например, Blockchair или Etherscan) для извлечения данных транзакций. Для крупномасштабного анализа типична загрузка данных трубопровода ETL в базу данных графов (Neo4j, Amazon Neptune) или распределенную структуру обработки (Apache Spark GraphX).
2. Кластеризация адресов: Применять кластеризацию эвристики — многовходные адреса (все входы в транзакции контролируются одним и тем же объектом), обнаружение адресов изменений и данные вне цепочки (адреса обменных депозитов).
3. Графическое строительство: Постройте направленный, необязательно взвешенный график из кластерных объектов. Выберите временное окно (например, последние 30 дней или полную историю для долгосрочного анализа тренда).
4. Вычисления по центральной системе: Алгоритмы выполнения. Для сетей с менее чем 1 млн узлов могут быть осуществимы точные вычисления между узлами. Для более крупных сетей используют алгоритмы приближения (например, оценка между узлами посредством путей выборки).
5. Анализ и визуализация: Ранговые узлы по каждой центральной мере, создают графики рассеяния (степень против межуровневой), чтобы выявить выбросы, и визуализируют сеть с помощью таких инструментов, как Gephi или Cytoscape.

Реальные приложения и тематические исследования

Отслеживание Ransomware платежей

В 2021 году злоумышленники Colonial Pipeline потребовали оплаты в биткоине. Аналитики блокчейна отследили выкуп по нескольким адресам, в конечном итоге идентифицировав кошелек с необычно высокой центральностью между ними, который действовал как «выжимаемый» адрес — типичная схема для отмывания денег. Заблокировав этот кошелек, правоохранительные органы смогли захватить часть средств. Меры по центрированию графов были ключевыми для дифференциации пути отмывания от обычных потоков транзакций.

Выявление рисков депегирования стейблкоинов

Когда стейблкоины, такие как USDC или DAI, подвергаются отсеиванию, паническая продажа часто концентрируется в нескольких кошельках. Наблюдая за центром собственного вектора с течением времени, исследователи могут обнаружить, когда ранее периферийный кошелек внезапно становится тесно связанным с другими крупными кошельками — признак скоординированного давления на продажу. Эта система раннего предупреждения позволяет маркетмейкерам вмешаться до полного краха.

Аудит децентрализованных бирж

На Ethereum децентрализованные биржи (DEX), такие как Uniswap, взаимодействуют с тысячами пулов ликвидности и трейдерами. Степень централизации связанного с пулом ликвидности смарт-контракта может указывать на его популярность, в то время как между центральными арбитражными ботами раскрывается их критическая роль в синхронизации цен на разных платформах. Аналитики используют эти показатели для оценки здоровья и децентрализации экосистем DeFi.

Ограничения и подводные камни

Пока что меры по централизации графов не являются серебряными пулями. Несколько проблем мешают их применению в криптовалютных сетях:

• Обратить внимание на ошибки кластеризации: Неправильно сливающиеся адреса от разных сущностей могут создавать ложные узлы высокой централизации, при этом неспособность объединить адреса одной и той же сущности скрывает их истинное влияние.
• Временная динамика:] Кошелек, который был критическим в прошлом году, может быть спящим сегодня. Меры централизации, рассчитанные на всю историю, отражают важность наследия, но пропускают текущую деятельность. Часто требуется временная или динамическая центральность.
• Вычислительные затраты: Точная взаимосвязь централизации в сети со 100 миллионами узлов неосуществима. Алгоритмы приближения торгуют точностью скорости, и ошибка может ввести в заблуждение анализ.
• Противоположное поведение: Плохие игроки могут намеренно создавать транзакции для манипулирования оценками централизации. Например, они могут генерировать множество небольших транзакций для раздувания градуса централизации или использовать «сибил» адреса, чтобы снизить межличностность своего основного кошелька.
• Блокчейны, ориентированные на конфиденциальность : Сети, такие как Monero или Zcash, скрывают детали транзакций, что значительно усложняет анализ графов.

Будущие направления: Графические нейронные сети и временная централизация

По мере развития этой области исследователи выходят за рамки статических мер централизации. Графические нейронные сети (GNN) могут научиться прогнозировать риск кошелька, комбинируя структуру графа с такими функциями, как суммы транзакций и временные метки. Меры временной централизации, которые учитывают порядок и сроки транзакций (например, недавно предложенная «временная центральная роль»), лучше захватывают поток средств через микшеры. Кроме того, рост сетей уровня 2 (Lightning Network, Arbitrum) вводит новые графовые структуры, где каналы являются краями, а платежи являются субтранзакциями - анализ централизации адаптируется, но остается концептуально похожим.

Компании, занимающиеся аналитикой блокчейна, также внедряют эти передовые меры в автоматизированные системы мониторинга. Централизованная панель мониторинга, показывающая сдвиги между централизацией в реальном времени для известных узлов высокого риска, может предупредить команды по соблюдению требований о потенциальных попытках отмывания денег, прежде чем они преуспеют.

Заключение

Меры графической централизации необходимы для тех, кто серьезно относится к пониманию сетей транзакций с криптовалютами. Они превращают непрозрачные псевдонимные адреса в ранжированные списки влиятельных субъектов, выделяют структурные точки удушения и аномалии флага, которые требуют дальнейшего расследования. Степень централизации дает быстрый взгляд на связь, между брокерами и микшерами, близость показывает, насколько встроен узел, а собственная векторная центральность весит связи престижем соседей. Объединение этих мер, особенно когда основано на знаниях домена и кластеризации адресов, дает мощную аналитическую основу.

Поскольку криптовалюты продолжают развиваться — как в принятии, так и в изощренности незаконных субъектов — также должны быть аналитическими методами. Однако основа остается той же: относитесь к блокчейну как к богатому графу и спрашивайте, какие узлы имеют наибольшее значение. С такими инструментами, как базы данных графов, масштабируемые алгоритмы и растущий объем исследований, ответ на этот вопрос становится все более ясным с каждым днем.