Dénonymisation des transactions de jeux de données elliptiques

Bonjour à tous, je m'appelle Alexander et je suis data scientist chez Clain. Nous sommes engagés dans l'analyse des transactions de la blockchain pour leur affiliation avec des actions criminelles, telles que l'encaissement, le vol, le financement du terrorisme, etc.

Les réglementations sur les crypto-monnaies sont renforcées chaque année, et les entreprises sont désormais tenues de se conformer aux politiques AML \ KYC. À propos de la même chose, la société Elliptic, qui a publié début août 2019 un ensemble de données étiquetées de 200k transactions bitcoin.

Le but principal de leur publication est de fournir à la communauté cryptographique des données réelles afin de tester de nouvelles approches pour détecter les transactions douteuses en utilisant à la fois un ensemble d'attributs standard (le nombre d'entrées et de sorties, les transferts, les transferts aux mineurs, etc.) et la topologie du graphique construit sur ces transactions . L'ensemble de données est anonymisé et possède 167 attributs. Tous ont zéro moyenne et variance unitaire, sauf le premier, qui est l'identifiant, et le second - caractérise le temps de 1 à 49, ce qui correspond aux composants du graphique de transaction.

À l'aide du fichier elliptic_txs_edgelist.csv, vous pouvez créer un graphique orienté et calculer les degrés entrants et sortants de chaque transaction txId. Cela vous permet d'estimer approximativement (puisque le graphique est coupé de l'ensemble de la blockchain et qu'une partie des connexions est perdue) le nombre d'adresses d'expéditeur et de destinataire pour chaque transaction. Dans la plaque elliptic_txs_features.csv, renommez les colonnes V1 - V167 et remplacez immédiatement V1 par txId, V2 par elliptic_time. Certains attributs sont mieux corrélés que d'autres avec la valeur des degrés entrants et sortants du graphique: cor (out-degree, V16) = 0,689, cor (out-degree, V7) = 0,680, cor (in-degree, V6) = 0,589, cor (in- degré, V8) = 0,582. Regardons ces variables.

Scatterplot offset V6 variable et degré du graphique entrant depuis elliptic_txs_edgelist

Selon le graphique, pour chaque valeur en degrés, il existe une limite supérieure de valeurs V6, en outre, si vous triez V6 et trouvez la différence entre des valeurs similaires, elle changera comme un entier multiplié par une constante:

Valeurs uniques pour changer le V6 trié (diff_V6), la fréquence (Freq) des valeurs diff_V6 rencontrées et le rapport de diff_V6 à la valeur minimale de diff_V6.

Dans le tableau des modifications V6, vous pouvez voir que 0,075038 se produit beaucoup plus souvent que le reste des valeurs et est probablement associé à un changement de degré de 1. Étant donné que le nombre minimum d'entrées dans une transaction est 1 (si ce n'est pas une transaction coinbase), nous écrivons:

inputs_count_V6 = (V6 - min (V6)) / min (diff_V6) + 1.

Après une analyse similaire pour V7, V8, V16:

• inputs_count_V6 = 13.3266685112665 ​​* V6 + 2.62544842444139,
• inputs_unique_count_V8 = 11.9243179897452 * V8 + 2.34747189219164,
• output_count_V7 = 50.3777694891647 * V7 + 4.21030186142152,
• outputs_unique_count_V16 = 49.3957564403755 * V16 + 4.121809499973.

Ici inputs_count_V6 est le nombre total d'entrées dans la transaction, inputs_unique_count_V8 est le nombre d'entrées uniques dans la transaction, outputs_count_V7 est le nombre de sorties de la transaction, outputs_unique_count_V16 est le nombre de sorties uniques.

La question peut se poser - pourquoi V6 et non V8 est-il mappé à inputs_count? La réponse est simple, toujours inputs_count> = inputs_unique_count, et en remplaçant les valeurs de V6 et V8 de elliptic_txs_features.csv dans les formules indiquées, nous pouvons nous assurer que l'inégalité (13.3266685112665 V6 + 2.62544842444139)> = (11.9243179897452 ) corréler entre V6, V8, inputs_count et inputs_unique_count. Il en va de même pour sorties_count et sorties_unique_count.

Une fois que vous avez trouvé le nombre d'entrées et de sorties, ainsi que le nombre d'entrées et de sorties uniques, vous pouvez trouver des transactions dans lesquelles des combinaisons de ces nombres ne se produisent qu'une seule fois dans toute l'histoire de Bitcoin (jusqu'à la publication de l'ensemble de données elliptique). Cela vous permet de trouver des transactions uniques et des heures approximatives pour chaque valeur elliptic_time:

Date des transactions uniques trouvées pour chaque elliptic_time.

Le graphique ci-dessus montre que la date dépend linéairement de elliptic_time:
approx_time = 1450468509.80488 + 1155672.19512195 * elliptic_time.
Ici approx_time est un unixtime approximatif pour chaque elliptic_time. Et comme elliptic_time varie de 1 à 49, la date approx_time change du 2016-01-01 au 2017-10-04, par incréments de 1155672.19512195 / 3600/24 ​​= 13,37584 jours.

Étant donné les contraintes de temps sur les transactions possibles et les combinaisons d'un nombre unique d'entrées et de sorties, vous pouvez trouver 189 transactions qui conviennent à ces conditions et ne se trouvent qu'une seule fois dans l'ensemble de la blockchain Bitcoin. Par exemple, une transaction avec 1 entrée et 13107 sorties, il n'y en a qu'une - dd9f6bbf80ab36b722ca95d93268667a3ea6938288e0d4cf0e7d2e28a7a91ab3.

Vous pouvez maintenant trouver d'autres caractéristiques des transactions, telles que les frais, ainsi que le volume total d'entrée (total_in_value) et de sortie (total_out_value) dans Satoshi. La recherche de corrélation et la régression linéaire aident à le faire rapidement, je ne donnerai que les formules finales:

• fee_V4 = 81341.4537626213 + 386323.710952989 * V4,
• total_out_value_V3 = 2742460603.92287 + 15853961614.9796 * V3.

Nous trouverons la valeur requise total_in_value à partir de l'égalité:
total_in_value = total_out_value + frais.

L'ensemble des informations trouvées nous permet d'identifier 92,9% de toutes les transactions de jeux de données elliptiques. L'autre partie peut être révélée si vous utilisez le graphique des transactions de elliptic_txs_edgelist.csv, en le comparant avec un graphique basé sur de nombreuses transactions appropriées avec leurs connexions enregistrées sur la blockchain, cela ajoute 6,6% supplémentaires.

Ainsi, 99,5% de toutes les transactions anonymes sont facilement divulguées, les 0,5% restants peuvent également être identifiés, mais le temps consacré à leur désanonymisation est probablement comparable au temps consacré à la partie déjà divulguée des transactions. Vous pouvez voir l'ensemble de données désanonymisé ici . Et voici les données elliptiques originales.