《數(shù)海拾趣3》為比特幣地址擁有者進(jìn)行分類思路

由于比特幣采用基于公鑰的錢包地址作為用戶在區(qū)塊鏈網(wǎng)絡(luò)上的身份，且錢包地址由用戶自由生成，與用戶身份特征無關(guān)，因此比特幣的匿名性導(dǎo)致人們很難推測用戶的真實(shí)身份信息。

目前為止，有許多嘗試推測比特幣地址身份的方法，其中最常用的推測方法是基于多輸入交易地址和挖礦交易地址，通過遞歸算法的進(jìn)行的判斷，準(zhǔn)確率幾乎可以達(dá)到100%，是非常有效的追尋比特幣地址擁有者的方法。

但是隨著比特幣在全球范圍內(nèi)的普及，目前比特幣的整個(gè)區(qū)塊已非常龐大（截止2018年8月28日，區(qū)塊高度為538862，大小接近180G），如果使用該方法所依靠的遞歸算法對整個(gè)區(qū)塊鏈上的地址進(jìn)行計(jì)算，需要消耗大量計(jì)算資源和時(shí)間，限制了對該方法的使用范圍；另外這種方法只能通過設(shè)置一定條件追蹤部分滿足條件的比特幣地址擁有者，而無法涵蓋所有比特幣地址。

火幣研究院在該算法的研究成果上，通過從比特幣區(qū)塊鏈中提取特征分析不同賬戶的鏈上轉(zhuǎn)賬信息，使用隨機(jī)森林（Random Forest）的機(jī)器學(xué)習(xí)算法對地址類別進(jìn)行歸類。該機(jī)器學(xué)習(xí)算法并非替代原有的聚類算法，而是對原有的聚類方法應(yīng)用范圍的補(bǔ)充。犧牲一小部分的準(zhǔn)確性，以適用于更廣泛的比特幣區(qū)塊鏈轉(zhuǎn)賬研究。

本文主要分為兩個(gè)部分：第一部分1）簡述比特幣交易系統(tǒng)及交易過程2）基于多輸入交易地址以及挖礦交易地址的分類方法3）通過隨機(jī)森林算法建模對地址類別進(jìn)行歸類方法 4）兩種算法的比較。第二部分利用模型進(jìn)行實(shí)例分析。目的是為讀者提供將比特幣地址擁有者進(jìn)行分類的思路，以便在不同的應(yīng)用場景下，選擇更為高效的方法對比特幣區(qū)塊鏈數(shù)據(jù)進(jìn)行多維度分析。

文章的第二部分，我們通過分析2018年8月8日至8月15日所有的比特幣地址與轉(zhuǎn)賬記錄，基于分類算法得出活躍地址數(shù)的分布：

活躍地址中，44%為交易所地址，30%為服務(wù)商地址，19%為個(gè)人錢包地址，6%為***公司，1%為礦池。

再進(jìn)一步分析新建地址數(shù)和轉(zhuǎn)賬明細(xì)得出：

1）交易所和服務(wù)商新增地址數(shù)在這幾周內(nèi)變化不大，但是新建個(gè)人錢包地址數(shù)卻呈現(xiàn)明顯下降趨勢。

2）比特幣由個(gè)人地址轉(zhuǎn)入交易所的量遠(yuǎn)遠(yuǎn)大于從交易所轉(zhuǎn)入個(gè)人地址的量。

最后推測該周比特幣價(jià)格大幅下挫原因可能有：

1）新入場的投資者人數(shù)的減少。

2）很有可能是有大量用戶將個(gè)人錢包中的比特幣轉(zhuǎn)入交易所進(jìn)行拋售。

報(bào)告正文

第一部分模型簡介

1. 比特幣的交易過程和特點(diǎn)

比特幣交易有三個(gè)特點(diǎn)：1）所有交易記錄大眾可見，2）一筆交易可以有多個(gè)輸入（inputs）和多個(gè)輸出（outputs） 3）每筆交易都通過公鑰-私鑰對來識別交易的付款人和收款人。

圖1為真實(shí)出現(xiàn)在比特幣網(wǎng)絡(luò)的交易流，每個(gè)頂點(diǎn)代表一個(gè)比特幣地址，頂點(diǎn)之間的連線和箭頭代表一筆交易。正如以上提到的比特幣的第二個(gè)特點(diǎn)，一筆交易可以有多個(gè)輸入（圖中交易A，B，C），基于多輸入交易地址以及挖礦交易地址的歸類方法正是使用了這個(gè)特點(diǎn)。

2. 基于多輸入交易地址和挖礦地址的歸類（算法1）

2.1 多輸入交易地址

通過Fergal Reid，MAO H L，MAN H 等人的研究，得出結(jié)論：當(dāng)用戶支付額度超過了用戶錢包中每一個(gè)可用地址中比特幣的數(shù)量時(shí)，為了避免執(zhí)行多筆交易完成支付造成交易費(fèi)用方面的損失，用戶會從錢包中選擇多個(gè)比特幣地址聚合在一起進(jìn)行匹配支付，實(shí)現(xiàn)多輸入交易。而又由于比特幣交易中使用每一個(gè)地址中的資金都需要單獨(dú)簽名，所以我們可以反過來認(rèn)為一個(gè)多輸入交易中的所有輸入地址來源于同一個(gè)用戶。（準(zhǔn)確率可以近似達(dá)到100%）。

因此我們可以認(rèn)為圖1中，3與4為同一用戶，同理：8，9與10，以及5與6 都為同一用戶。

2.2 挖礦交易地址

同樣，對于沒有輸入地址的交易（也就是俗稱的挖礦交易），由于挖礦的本質(zhì)是在一臺服務(wù)器上運(yùn)行比特幣挖礦程序，可以認(rèn)為一個(gè)產(chǎn)量交易中的輸出地址是由同一個(gè)用戶進(jìn)行配置。所以如果一個(gè)或多個(gè)地址是同一個(gè)挖礦交易的輸出，可以認(rèn)為它們被同一個(gè)用戶控制。

對于用戶自行挖礦模式的情況，挖礦交易地址聚類的準(zhǔn)確率可達(dá)100%。對于“礦池”模式，多數(shù)情況下，出塊獎勵會在產(chǎn)量交易中轉(zhuǎn)入“礦主”的私有收益地址，然后根據(jù)礦池用戶的算力貢獻(xiàn)進(jìn)行二次收益分配，因此同樣可以認(rèn)為產(chǎn)量交易輸出地址屬于同一用戶。

2.3 歸類流程

歸類算法的框架如圖2所示，迭代的次數(shù)越多，查到的地址數(shù)就會越多，全面性就越好，但是迭代次數(shù)的增多同時(shí)也會降低聚類效率。

以上，我們描述了基于多輸入交易地址和挖礦地址的歸類模型及其實(shí)現(xiàn)方法，該模型可以非常準(zhǔn)確地對同一用戶的地址進(jìn)行聚類，且隨著迭代次數(shù)的增多，得到的同一用戶地址數(shù)量非?？捎^：例如，如果我們知道某交易所一些熱錢包地址，通過該算法可以得出大量的這個(gè)交易所其他的熱錢包地址，且準(zhǔn)確率近似100%。

然而該算法缺點(diǎn)是有一定的局限性：我們無法了解比特幣網(wǎng)絡(luò)的所有地址的擁有者，對于一個(gè)不在數(shù)據(jù)表的地址，我們無法對其進(jìn)行歸類。

火幣研究院在研究了該算法的基礎(chǔ)上，通過從比特幣區(qū)塊鏈中提取不同類別比特幣地址的特征，建立地址歸類模型，能夠?qū)Ω鼮閺V泛的匿名比特幣地址進(jìn)行歸類。

3. 基于隨機(jī)森林的比特幣地址分類（算法2）

3.1 標(biāo)記類別和樣本選取

我們?yōu)榻ｋS機(jī)抽樣選取了8045條樣本，并分為五個(gè)類別標(biāo)記：交易所（1591），礦池（1684），服務(wù)商（1669），***公司（1601），個(gè)人（1500）。

建模所用的地址標(biāo)簽信息主要來自于WalletExplorer（www.walletexplorer.com），該網(wǎng)站已經(jīng)通過以上方法，分類了數(shù)萬個(gè)地址，有五個(gè)不同的類別（交易所，礦池，服務(wù)商，***公司，舊地址），其中舊地址類別現(xiàn)已很少有交易記錄，我們將此類別刪除。其余四個(gè)類別為了保持每個(gè)標(biāo)簽數(shù)據(jù)的數(shù)量維持在同一水平，以免出現(xiàn)數(shù)據(jù)不平衡情況，我們采用了隨機(jī)抽樣的方法，將每個(gè)分類的樣本數(shù)保持在1500左右。

除了以上四個(gè)類別外，我們還加入了“個(gè)人”比特幣地址這一分類，數(shù)據(jù)來源于blockchain.info上已標(biāo)記的個(gè)人地址，隨機(jī)抽取1500個(gè)。

3.2 特征選擇

通過經(jīng)驗(yàn)判斷和反復(fù)觀察和實(shí)驗(yàn)，我們選取以下地址的特征作為建模的特征：

1）該地址作為input的交易數(shù)量（總轉(zhuǎn)出筆數(shù)）

2）該地址作為output的交易數(shù)量（總轉(zhuǎn)入筆數(shù)）

3）該地址作為input的BTC總量（總轉(zhuǎn)出BTC）

4）該地址作為output的BTC總量（總轉(zhuǎn)入BTC）

5）該作為Input時(shí)，每筆交易Input總數(shù)平均數(shù)

6）該作為Output時(shí)，每筆交易Input總數(shù)平均數(shù)

7）轉(zhuǎn)入筆數(shù)/轉(zhuǎn)出筆數(shù) 比例

8）（轉(zhuǎn)入筆數(shù)-轉(zhuǎn)出筆數(shù)）/（轉(zhuǎn)入筆數(shù)+轉(zhuǎn)出筆數(shù)）

9）平均每筆轉(zhuǎn)入BTC數(shù)量

10）平均每筆轉(zhuǎn)出BTC數(shù)量

11）是否有過一次或以上的挖礦交易（Coinbase）

12）該地址作為Input的總礦工費(fèi)（轉(zhuǎn)出總交易手續(xù)費(fèi)）

13）該地址作為Output的總礦工費(fèi)（轉(zhuǎn)入總交易手續(xù)費(fèi)）

14）轉(zhuǎn)出平均每筆交易費(fèi)

15）轉(zhuǎn)入平均每筆交易費(fèi)

16）平均每天轉(zhuǎn)出筆數(shù)

17）平均每天轉(zhuǎn)入筆數(shù)

以上鏈上數(shù)據(jù)火幣研究院通過BlockSCI工具，在服務(wù)器上搭建BTC節(jié)點(diǎn)后，使用Jupyter notebook進(jìn)行抓取。

3.3 模型選擇

在監(jiān)督學(xué)習(xí)的模型選擇上，通過比較與測試，我們最終選擇Random Forest（隨機(jī)森林）作為我們此次搭建的模型。

該模型主要有以下四個(gè)優(yōu)點(diǎn)：

1）在當(dāng)前所有算法中，具有極好的準(zhǔn)確率。

2）能夠處理具有高維特征的輸入樣本，而且不需要降維。（我們的數(shù)據(jù)一共有17個(gè)維度的特征）

3）適用于多分類問題（5個(gè)不同的分類）。

4）對于缺省值問題也能夠獲得很好的結(jié)果（有些地址只有轉(zhuǎn)入沒有轉(zhuǎn)出記錄，無法計(jì)算出轉(zhuǎn)出相關(guān)的數(shù)據(jù)）。

3.4 建模過程

建模過程如圖3所示。其中網(wǎng)格搜索的參數(shù)主要為：

1）隨機(jī)森林中的樹的數(shù)量（n_estimators）

2）樹的深度最大值（Max_depth）

3）拆分內(nèi)部節(jié)點(diǎn)所需的最小樣本數(shù)（Min_samples_split）

4）葉子節(jié)點(diǎn)所需的最小樣本數(shù)（Min_samples_leaf）

方案使通過Python3 語言實(shí)現(xiàn)，使用了Scikit-learn中的RandomForestClassifier（隨機(jī)森林分類），GridSearchCV（網(wǎng)格搜索），train_test_split（分離測試集和訓(xùn)練集），confusion_matrix（混淆矩陣），K-Fold（K折）等API模塊。

訓(xùn)練集和測試集按照2：1的比例進(jìn)行分割。

3.5 模型得分

最后經(jīng)過調(diào)試，模型在最終測試集上準(zhǔn)確度為90%。

混淆矩陣如圖4，除去交易所和服務(wù)商的預(yù)測混淆的相對較多，整體效果還是較為理想的。

4. 兩種方法對比

火幣研究院的比特幣分類算法（算法2）并非替代多輸入交易地址和挖礦地址分類算法（算法1），而使用算法1運(yùn)行結(jié)果作為地址的標(biāo)簽，在算法1的基礎(chǔ)上對其應(yīng)用范圍進(jìn)行補(bǔ)充。通過犧牲一小部分的準(zhǔn)確性，提高其普適性以應(yīng)用于更宏觀的鏈上數(shù)據(jù)分析。

兩者的區(qū)別主要有：

4.1 算法類型不同

算法1是已知標(biāo)簽地址的情況下，通過多次迭代找尋同時(shí)出現(xiàn)在同一個(gè)轉(zhuǎn)賬中input的地址過程，目的是發(fā)現(xiàn)和已知標(biāo)簽地址同屬于同一用戶的地址，本質(zhì)上屬于一種遞歸算法，迭代次數(shù)越多，獲得的具有標(biāo)記的地址數(shù)越多。

而算法2屬于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)算法，首先將大量帶有標(biāo)記的數(shù)據(jù)來訓(xùn)練產(chǎn)生一個(gè)具有推斷功能分類器。有了這個(gè)分類器以后，可以根據(jù)任何新的個(gè)體的特征對該個(gè)體進(jìn)行分類。

4.2 標(biāo)簽來源不同

算法1和算法2都是從比特幣區(qū)塊鏈中提取數(shù)據(jù)，但標(biāo)簽的來源有所不同：

算法1的標(biāo)簽來源可以通過實(shí)際觀察。例如，如果要獲取某交易所的熱錢包地址，可以實(shí)際在交易所進(jìn)行充提幣交易，交易所充幣和提幣地址即該交易所的錢包地址；而算法2由于需求的標(biāo)簽數(shù)量巨大（至少幾千個(gè)地址），所以直接引用算法1的結(jié)果，比如有些網(wǎng)站如WalletExplorer可直接提供所需標(biāo)簽。

4.3 應(yīng)用場景不同

算法1

優(yōu)點(diǎn)：

1）準(zhǔn)確率非常高（接近100%）

2）有具體標(biāo)簽（具體到火幣熱錢包，OKEX熱錢包等）

3）可解釋性強(qiáng)

缺點(diǎn)：

1）普適性差（無法為所有地址打上標(biāo)簽）

2）遞歸算法所消耗大量計(jì)算資源

該算法適用于追蹤某個(gè)人（黑客，比特幣盜竊者），或者某團(tuán)體（交易所，服務(wù)商）的比特幣流向。

算法2

優(yōu)點(diǎn)：

1）普適性強(qiáng)（給定任意一個(gè)地址及其鏈上特征，可以推測該地址的類別）

2）除了建模需要消耗一定計(jì)算資源，在歸類時(shí)消耗非常少量計(jì)算資源。

缺點(diǎn)：

1）準(zhǔn)確率無法和算法1相比（目前只能達(dá)到90%）。

2）無具體標(biāo)簽（只能歸類成五個(gè)類別，無法具體到某個(gè)交易所或者機(jī)構(gòu)）。

3）標(biāo)簽可能會隨著行為發(fā)生變化（可能一個(gè)地址最開始被標(biāo)簽為個(gè)人地址，但可能未來會更改成交易所地址）

4）可解釋性差（隨機(jī)森林是個(gè)黑盒子）。

該算法適用于對數(shù)據(jù)準(zhǔn)確度要求略低的宏觀的鏈上數(shù)據(jù)分析（例如目前所有比特幣約中有百分之多少在交易所，百分之多少在個(gè)人錢包等），以及根據(jù)一個(gè)地址，迅速判斷該地址類別（例如某日比特幣鏈上發(fā)生大額轉(zhuǎn)賬進(jìn)入某地址，根據(jù)歸類算法可以推測該地址屬于什么類別）

實(shí)際分析中，關(guān)于算法2如何提高準(zhǔn)確率的問題，我們的解決方法是：將算法2與算法1相結(jié)合，在算力條件充足的情況下，使用算法1對盡量多的地址進(jìn)行歸類，（特別是對有大量持幣或者大量轉(zhuǎn)賬的地址，無法聚類再網(wǎng)上搜尋標(biāo)簽）。將剩余的無法歸類的地址再使用算法2進(jìn)行分類?？梢杂行У靥岣邤?shù)據(jù)準(zhǔn)確性。

第二部分實(shí)際案例

1. 活躍地址聚類

我們選取2018年8月8日至8月15日的所有的比特幣地址與轉(zhuǎn)賬記錄進(jìn)行分析。首先對該周出現(xiàn)在input和output的所有地址先使用算法1對已知地址進(jìn)行聚類，再使用算法2對剩余的地址進(jìn)行了分類。

該周的活躍地址數(shù)共332萬個(gè)，根據(jù)算法的推測，其中143萬個(gè)為交易所地址，99萬個(gè)為服務(wù)商地址，62萬個(gè)為個(gè)人地址，***公司18萬，礦池4萬。分布如圖5所示。其中交易所，服務(wù)商和個(gè)人錢包地址占了總地址數(shù)的93%。

2. 新增地址數(shù)分解

我們又往前抓取了四周的鏈上數(shù)據(jù)進(jìn)行分析：從新增地址數(shù)（圖6）來看，這幾周新增地址數(shù)有所減少；

我們再將新增地址數(shù)用我們的算法進(jìn)行分類（圖7），可以發(fā)現(xiàn)：雖然交易所和服務(wù)商新增地址數(shù)在這幾周內(nèi)變化不大，但是新建個(gè)人錢包地址數(shù)卻呈現(xiàn)明顯下降趨勢，直接導(dǎo)致了整體新建地址數(shù)下降?？梢酝ㄟ^新建的個(gè)人錢包地址數(shù)減少判斷，新進(jìn)入市場的投資者人數(shù)有所減少。

3. 交易量分析

另外，除了對地址分析外，我們對該周的交易數(shù)據(jù)進(jìn)行了分析。得到結(jié)果如圖8所示。這周內(nèi)一共有691萬BTC的交易量，個(gè)人地址中的比特幣轉(zhuǎn)入交易所的量遠(yuǎn)遠(yuǎn)大于從交易所轉(zhuǎn)入個(gè)人地址的量（相差14萬BTC，約8.4億美金），很大概率是有大量用戶將個(gè)人錢包中的比特幣轉(zhuǎn)入交易所進(jìn)行拋售，可能也是導(dǎo)致該周比特幣價(jià)格下挫的原因之一。