使用可解释性的聚类方法识别可疑的区块链交易

《Distributed Ledger Technologies: Research and Practice》：Identifying Suspicious Blockchain Transactions using Clustering with Explainability

区块链匿名性常被恶意分子利用以隐藏非法收益，如FBI查获的“丝绸之路”平台比特币案例所示。本文提出基于无监督学习的区块链可疑行为分析，整合交易时间、金额等元数据及网络中心性、嵌入向量等连接性数据，通过内外部聚类验证及Shapley值特征重要性分析，发现交易金额和时间是关键影响因素，有效识别恶意节点。

　　

摘要

区块链是一种分布式账本技术，它为参与者提供伪匿名性以保护隐私。然而，恶意行为者利用这一特性来隐藏他们通过网络攻击、黑市交易、洗钱和庞氏骗局获得的非法收益。最近，FBI从“丝绸之路”黑市没收了价值超过400万美元的比特币，这表明金融监管机构和执法部门面临的问题非常严重。因此，分析和识别这些恶意行为者对于规范数字资产交易至关重要。机器学习模型可以帮助检测区块链网络中参与者之间的模式和相关性，而这些模式和相关性可能通过传统方法难以发现。在区块链网络中，与非法活动有关的参与者数量远少于与正常活动有关的参与者数量。此外，关于这些恶意行为者的标记交易数据也非常有限。这些限制使得训练监督学习模型以提供实时主动响应变得更加困难。本文首次尝试全面研究不同的无监督学习方法，用于对区块链网络中参与者的可疑行为进行聚类分析。所提出的基于无监督学习的分析方法考虑了区块链交易的元数据和互连性信息。元数据包含基于时间和金额的信息，而互连性数据则表示区块链网络的中心性度量和嵌入向量。通过内部和外部聚类验证方法对识别出的簇的质量进行了验证。验证结果使用可解释AI技术Shapley（ShAP）值来识别关键特征。研究结果表明，与交易支出和接收相关的特征对簇的识别具有显著影响。总体而言，基于质心和基于连接性的方法能够为区块链交易的元数据和中心性特征识别出清晰分离的簇。