基于Graph的区块链交易分析可视化技术-煤油灯科技

基于Graph的区块链交易分析可视化技术

煤油灯科技2022-08-18 09:54

摘要

区块链是一种建立在三个主要支柱上的数字技术：去中心化、透明度和不变性。比特币和以太坊是两个流行的区块链平台，参与者以点对点的方式在全球范围内连接，并以匿名的方式进行电子交易。大量的去中心化交易和参与者的伪匿名性为诈骗、网络欺诈、黑客攻击、洗钱和欺诈交易打开了大门。使用传统审计技术检测此类欺诈活动具有挑战性，因为它们需要复杂的算法、更多的处理能力和内存来进行复杂查询以连接表组合。本文提出了几种算法来从比特币和以太坊网络中提取与交易相关的特征，并将这些特征表示为graph。此外，本文还讨论了graph的可视化如何反映欺诈活动的异常和模式。

关键词——比特币、以太坊、智能合约、graph模型、异常检测、区块链。

I.引言

区块链是分布式账本技术的一个子集，允许参与者执行各种点对点网络交易。比特币和以太坊是两个领先的区块链应用程序，可帮助参与者执行在线支付和存储数字货币和其他形式的数字资产以及执行智能合约等任务。

参与者之间的交易是去中心化的、匿名的并且对所有可以访问的参与者公开可见。这具有显着的商业利益，包括更高的透明度、增强的安全性、改进的可追溯性和效率，以及以更低的成本更快的交易。一方面，区块链的匿名性带来了商业转型和大量投资者。另一方面，它为不良行为者打开了后门，以进行各种恶意活动，例如诈骗、黑客攻击、与非法市场相关的交易和洗钱[3]。因此，迫切需要开发适当的工具来分析不同应用程序的区块链交易。

交易数据的分析为数据挖掘研究人员探索交易行为、财富分配、交易的生成机制以及识别加密货币金融市场的波动提供了各种机会。将区块链交易记录表示为一个平面表格并不能准确地表征交易的时间和多路特征。此外，在处理能力、时间和内存方面进行数据分析时，它将面临各种挑战。由于这些原因，人们对区块链交易的基于graph的可视化和基于graph的分析[7]越来越感兴趣。基于graph的表示通过合并交易之间的关系来丰富数据，并促进在交易中的导航，而无需像在关系模型中那样将表组合连接在一起的复杂查询。在比特币网络中，基于graph的可视化支持与链接预测、节点分类、交易取证调查以及实体之间的关系相关的数据分析[11]、[5]、[8]。同样，在以太坊网络中，基于graph的可视化对于描述不同的交易活动和调查安全问题（例如智能合约提交欺诈、故意开发以破坏公平性的漏洞合约、重复合约等）至关重要。[6] , [7]。

本文提出了从比特币核心和以太坊中提取交易相关特征的算法，并将数据呈现为graph。此外，本文重点介绍了与异常交易相关的各种graph模式，例如勒索软件和非法市场，以支持基于graph的分析，以识别区块链网络上的异常行为、币流的链接预测和加密货币的市场趋势。

本文的其余部分结构如下：第二部分描述了为区块链网络上可用的交易数据建模不同类型graph的方法，第三部分描述了特征提取和graph建模的实验设置，第四部分描述了案例研究与基于graph的异常交易模式有关。最后，第五节总结了研究工作的贡献。

II.区块链交易的graph模型

区块链交易记录包含大量信息。比特币交易的输入和输出元素处可用的地址表示与数字交易相关的参与者或组织（例如：比特币矿工）。同样，以太坊的from和to地址表示参与者的钱包地址或智能合约的地址。

有几种基于交易记录的各种细节设计的图构建算法。本研究工作提出了一个graph模型 $G (V, E, R)$ ，它包含顶点 $V (S, T)$ 以及连接源 ( $S$ ) 和目标 ( $T$ ) 与关系 R 的有向边 $E \subseteq S \times T$ 。标签 $B L OC K$ 表示构造graph中的块， $TR A NS A CT I ON$ 表示存储在块中的交易， $I NP U T$ 定义比特币交易中的输入条目， $O U TP U T$ 定义比特币交易中的输出条目， $CO I NB A SE$ 表示 $CO I NB A SE$ 交易（transaction没有输入）。同样，标签 $EO A TR A NS$ 表示 $EO A$ 账户内的资金流交易。

A. $U TXO$ 交易的graph模型

1) 交易Graph：研究工作[8]、[9]、[10]描述了对比特币交易的交易graph的需求。交易Graph $G_{t r an s}$ = ( $S_{t r an s I d}$ , $T_{t r an s I d}$ ,w) 是使用交易数据的输入和输出字段构建的。在该graph中，每个节点代表源 ( $S$ ) 和目标 ( $T$ ) 交易的交易哈希。每个有向边 E={( $s_{i}, t_{i}$ ) where $s_{i} \in S_{t r an s I d}, t i \in T_{t r an s I d}$ )} 包含一个由 $S$ 花费并由 $T$ 接收的金额 (w：E → R)。只能为UTXO模型交易构建交易graph。如果交易 $T$ 的花费交易哈希值和交易 $S$ 的哈希值相同，则有一条有向边，从S到T绘制，详细信息包括转账金额、时间戳和对应关系 $R$ 。算法1给出了一种从比特币核心转储中提取必要特征以构建交易graph的系统方法。

算法1：构建交易Graph。

2）地址Graph：区块链网络中的参与者可以通过公钥地址唯一标识。地址 graph $Gaddress=\left(S_{pubkey},T_{pubkey},w\right)$ 可以为UTXO和基于账户的模型的交易数据构建。在这种类型的 graph中，节点代表参与者。有向边 $E=\lbrace\left(s_i,t_i\right)|s_i∈S_{pubkey},t_i∈T_{pubkey})\rbrace$ 包含源 $S$ 和目标 $T$ 之间的交易细节（金额、时间戳、交易费用）。算法2提出了一种从原始数据中提取特征并为比特币交易构建地址graph的方法。

算法2：构建地址Graph。

B. 基于账户的交易的Graph模型

资金流Graph (MFG)

MFG graph $G_{MFG}\left(S_{EOA},T_{EOA},w\right)$ 有助于可视化两个外部拥有的账户之间的资金流。资金流可以是在源账户（ $S$ ）和目标账户（ $T$ ）之间转移的一定数量的以太币或代币。此graph中的节点是源 ( $S_{EOA}$ ) 和目标 ( $T_{EOA}$ ) 的EOA地址。有向边 $E=\left\{\left(s_i,t_i\right)|s_i∈S_{EOA},ti∈T_{EOA})\right\}$ 表示 $S$ 和 $T$ 之间的资金流向。边的权重 $w$ 表示转移的以太币或代币的数量。算法3给出了构建资金流交易图的算法。

算法3：构建 MFG。

III. 特征提取和graph构建的实验设置

使用实际的比特币和以太坊网络数据测试了构建各种graph的建议方法。出于评估目的，从比特币核心下载的比特币交易数据。为此，我们设置了本地比特币节点，它捕获了大约25.7MB的数据。它包括46、700个区块以及与这些区块对应的交易。从以太坊公共数据集XBlock.pro [12]下载的与以太坊相关的数据。这包含与块、正常交易（EOA）、内部以太交易、合约信息、合约调用、ERC20交易和 ERC721 交易相关的数据。图1显示了研究工作的实验装置。从比特币核心下载的数据是二进制格式（.bat），因为它不能直接用于graph构建。我们使用比特币ETL [1]，一个基于python的库将二进制数据转换为压缩的JSON格式。JSON文件已加载并提取了所需的功能。然后通过应用第II-A节和第II-B节中所述的算法构建graph，最后将graph加载到Neo4j graph数据库中进行可视化。比特币交易结果和地址图如图2所示，以太坊资金流图如图3所示。

图1. 研究工作的实验设置

IV.基于Graph的异常交易可视化

不同区块链交易的graph模型可以帮助分析者解释区块链网络中的区块、交易和参与者之间的隐藏关系。使用第II节中提出的算法将区块链交易可视化为graph比传统的数据库表示更适合提取有意义的模式。这将为不同的基于graph的分析[7]生成信息丰富的数据集，例如异常检测、预测勒索软件交易、识别非法市场相关交易、加密货币未来投资的市场趋势等。

1) 可视化勒索软件交易：CryptoLocker和WannaCry等勒索软件交易从特定用户或组织积累大量比特币，并存入另一个异常地址。第II-A节中描述的比特币网络的地址graph和第II-B节中描述的EOA的资金流交易graph将有助于可视化两个或多个地址之间的硬币流（BTC/Ether）。这些算法能够提供与特定勒索软件参与者或EOA对应的交易记录。让我们假设勒索软件参与者具有前缀为“19oz”的地址模式。为了可视化与特定地址模式对应的交易，我们使用以下查询：

MATCH (tx:Transaction)-[d:Deposite]-(i:Input) 
MATCH (i)-[:unlocked]-(da:DepAddress) WHERE 
da.address STARTS WITH ’19oz’ 
RETURN tx,i

该查询将返回与比特币网络中前缀为“19oz”的地址相关的交易记录。

同样，查询

MATCH (b:Block)-[:EOA]-(tx:Transaction) 
MATCH (tx)-[:EOATRANS]-(f:Sender) MATCH 
(f)-[:MFT]-(r:Receiver) 
WHERE r.address STARTS WITH ’19oz’ 
RETURN b, tx, f, r

将返回一组前缀为“19oz”的EOA地址。

2) 可视化非法市场交易：非法市场促进了使用比特币的非法物品的销售/购买。现有研究[4]估计，每年约有760亿美元的非法活动涉及比特币（占比特币交易的46%），这接近美国和欧洲非法毒品市场的规模。最近的另一篇文章指出，比特币地址“1HQ3Go3ggs8pFnXuHVHRytPCq5fGG8Hbhx”将 69,369 BTC 转移到一个未知的钱包。该地址源自非法市场丝绸之路[2]。

图 2. 比特币数据Graph：(a) 交易Graph，(b) 地址Graph

图 3. 资金流向交易Graph

第II-A节中描述的比特币网络的地址graph和第 II-B 节中所述的 EOA 的资金流交易graph有助于识别与特定非法市场地址相关的交易。查询 MATCH (tx:Transaction)-[:Spent]-(ou:Output) MATCH (ou)-[:locked]-(sa:SAddress) WHERE sa.address='1HQ3Go3ggs8pFnXu.....' 将重新转一组涉及特定地址的交易。

V.结论

本文重点研究区块链交易的有效 graph表示和可视化异常交易graph。该论文提出了三种算法从区块链网络中提取数据并生成三种不同类型的graph，即交易graph、地址graph和资金流graph。从构建的graph中，我们证明了比特币的地址graph和交易graph以及以太坊的资金流交易graph更适合可视化与异常交易相关的模式。通过使用实际的比特币核心数据和XBlock（以太坊公共API）数据集来测试算法的有效性。graph模式通过Neo4j可视化，并展示了这些模式如何反映异常交易。最后，这项工作的大部分可以看作是基于graph的区块链交易数据集的数据提取和特征工程。这样的数据集将在其他任务中很有价值，例如基于机器学习的分析，这是我们近期的工作。

参考文献

[1] “BitcoinETL,” https://github.com/blockchain-etl/bitcoin-etl, 2019.

[2] “Silk Road Transaction,” https://www.coindesk.com/ nearly-1b-in-bitcoin-moves-from-wallet-linked-to-silk-road, 2020.

[3] “Cryptocrimes,” https://go.chainalysis.com/2021-Crypto-Crime-Report. html, 2021.

[4] S. Foley, J. R. Karlsen, and T. J. Putnin¸s, “Sex, drugs, and bitcoin: How ˇ much illegal activity is financed through cryptocurrencies?” The Review of Financial Studies, vol. 32, no. 5, pp. 1798–1853, 2019.

[5] B. Haslhofer, R. Karl, and E. Filtz, “O bitcoin where art thou? insight into large-scale transaction graphs.” in SEMANTiCS (Posters, Demos, SuCCESS), 2016.

[6] T. Hu, X. Liu, T. Chen, X. Zhang, X. Huang, W. Niu, J. Lu, K. Zhou, and Y. Liu, “Transaction-based classification and detection approach for ethereum smart contract,” Information Processing & Management, vol. 58, no. 2, p. 102462, 2021.

[7] V. Patel, L. Pan, and S. Rajasegarar, “Graph deep learning based anomaly detection in ethereum blockchain network,” in International Conference on Network and System Security. Springer, 2020, pp. 132–148.

[8] F. Reid and M. Harrigan, “An analysis of anonymity in the bitcoin system,” in Security and privacy in social networks. Springer, 2013, pp. 197–223.

[9] M. Weber, G. Domeniconi, J. Chen, D. K. I. Weidele, C. Bellei, T. Robinson, and C. E. Leiserson, “Anti-money laundering in bitcoin: Experimenting with graph convolutional networks for financial forenesics,” arXiv preprint arXiv:1908.02591, 2019.

[10] J. Wu, J. Liu, Y. Zhao, and Z. Zheng, “Analysis of cryptocurrency transactions from a network perspective: An overview,” arXiv preprint arXiv:2011.09318, 2020.

[11] C. Zhao and Y. Guan, “A graph-based investigation of bitcoin transactions,” in IFIP International Conference on Digital Forensics. Springer, 2015, pp. 79–95.

[12] P. Zheng, Z. Zheng, J. Wu, and H.-N. Dai, “Xblock-eth: extracting and exploring blockchain data from ethereum,” IEEE Open Journal of the Computer Society, vol. 1, pp. 95–106, 2020.

原文链接：https://ieeexplore.ieee.org/document/9524878

---煤油灯科技victorlamp.com翻译整理---

完整附件下载：Graph_Based_Visualisation_Techniques_for_Analysis_of_Blockchain_Transactions.pdf

上一篇：全球11家顶尖银行竞相拥抱量子技术

下一篇：亚马逊收购iRobot：机器人行业的整合

你可能也喜欢这些文章