一种用于解决比特币地址多源标签冲突的方法

《Blockchain: Research and Applications》：A Conflict Resolution Method for Multi-source Labels of Bitcoin Addresses

　　## 涛冷 | 想望王 | 宋钰晨 | 史瑞生 | 蓝琳娜 | 张世涵 | 林紫丁 | 史金桥 | 张瑞东
四川警察学院，泸州，646000，四川，中国

**摘要**
由于其固有的匿名性，比特币为监管 oversight 创造了重大障碍。这一特性导致它在非法活动中被广泛使用，包括洗钱、勒索软件收费以及在暗网市场进行的交易。因此，追踪比特币交易的来源变得越来越关键。比特币地址标记在这一过程中起着基础性作用。然而，数据来源的异质性、使用单一维度标签以及标记不准确常常导致冲突，从而影响了标签数据的准确性和完整性。为了解决这些问题，本文提出了一种基于多维度标记框架的比特币地址标签冲突解决方法。该系统首先构建了一个多维度标签结构，然后分析和分类在各种情况下出现的标签冲突，并进一步结合了真相发现算法和比特币地址聚类启发式方法来解决冲突并识别最可信的标签。实验结果表明，所提出的方法有效解决了多标签冲突，从而提高了比特币地址注释的可靠性。

### 1. 引言
比特币的概念最早由中本聪在2008年的一篇开创性论文中提出[1]。作为第一个基于区块链技术的加密货币，比特币在各个领域引起了广泛关注。自2011年以来，比特币的交易量逐年增加。截至2025年6月5日，其市场资本化约为2.08万亿美元[1]。由于其匿名性质，比特币使得监管机构难以识别交易方的真实身份。这种匿名性为洗钱、黑市交易和勒索软件支付等非法活动提供了便利。2025年5月4日，秘鲁政府网站Gob.pe遭到黑客组织Rhysida2的网络攻击，导致3300万公民的敏感数据（包括护照、税务、医疗和警方记录）被盗。Rhysida在暗网上进行了双重勒索，以5个BTC（约合48.8万美元）的价格出售被盗数据。

根据Chainalysis在《2025年加密货币犯罪报告》[2]中的数据，2024年非法地址接收的加密货币总价值达到了409亿美元，占链上交易总量的0.14%。非法比特币交易的规模持续增长。因此，迫切需要研究基于区块链的加密货币（如比特币）的交易可追溯性。这样的努力有助于识别非法行为者的真实身份，追踪资金流向，并打击由数字货币支持的犯罪活动。

在基于区块链的加密货币交易追踪系统中，地址标签数据库是识别交易实体的关键技术之一。大多数现有工作通过收集开源情报并通过地址聚类启发式方法（如共同输入所有权启发式和地址变更检测）来构建地址标签。最近的研究（如AddressLable框架[3]）通过利用图结构和行为特征进一步增强了标签的利用。然而，从异构来源收集的标签数据和通过聚类算法传播的标签都容易产生冲突。在大多数现有数据库中，地址标签以单字符串形式存储，这可能导致有价值的语义信息丢失或标注错误。为了解决构建比特币地址标签库过程中多源标签冲突的问题，我们提出了一种多维度地址标记模型，并设计了一种冲突解决方法来识别可靠的地址标签。本文的主要贡献如下：
1. 我们提出了一种分类框架，区分了硬冲突和软冲突，实现了对多源标签冲突的首次系统和定量分析。
2. 我们设计了一个多维度地址标签模型。基于该模型，我们分析了交易追踪中地址标签的维度属性，构建了一个多维度地址标签库，并建立了追踪实体的知识库。
3. 我们提出了一种解决软冲突的冲突解决方法。利用具备语义意识的标签存储模型，我们构建了一个知识库来进行实体对齐并解决软标签冲突。
4. 我们提出了一种结合真相发现技术和链上行为验证的混合冲突解决方法，用于解决硬冲突。

### 2. 相关工作
#### 2.1. 比特币交易级可追溯性方法
目前，大多数关于比特币交易级可追溯性的研究都是基于交易相关性分析来构建地址标签数据库[4][5]。Androulaki等人[6]提出了两种常见的比特币地址聚类启发式方法：多输入启发式和地址变更启发式。多输入启发式假设多输入交易中的所有输入都属于同一实体。地址变更启发式认为，在一个有两个输出的交易中，如果一个地址（aRn）是新的（即之前未出现在区块链上），而另一个地址（aRo）是旧的（即之前出现过），则可以安全地假设aRn是变更地址，并且也属于发送者。这两种启发式方法是聚类比特币地址最常用的方法。

为了解决地址变更启发式的低精度问题，Meiklejohn等人[7]提出了四个识别一次性变更地址的标准：（1）该地址从未出现在任何之前的交易中；（2）该交易不是Coinbase交易；（3）变更地址不是输入地址之一（即没有自我变更）；（4）所有其他输出地址都出现在之前的交易中。如果一个地址后来再次被用作交易输出，则被认为是误报。将这种方法应用于超过400万个已识别的变更地址，误报率仅为0.17%。Remy等人[8]进一步比较了不同的启发式方法，并揭示了基于变更的方法（例如H3）的显著精度限制，尽管召回率提高了，但精度降到了0.09%。

在这些限制的基础上，最近的研究[9]提出了改进的启发式方法，这些方法结合了上下文交易特征（如输出分布、时间模式和地址重用行为），以更好地区分真正的变更地址和不相关的输出。这些改进在聚类覆盖率和准确性之间取得了更实际的平衡，并有助于减少噪音数据集或混合器影响数据集中的误报。He等人[10]通过整合六个启发式规则（包括一种改进的变更地址算法）解决了基于单一启发式的聚类的局限性，实现了更准确和全面的地址实体形成。

虽然一些工作引入了新的聚类范式（如peel chain tracing[11]），但这些方法更多关注长期交易流，而不是高精度身份推断，因此在标签冲突解决或高频地址标记方面应用性较低。基于交易相关性的方法通常可以揭示地址关系，但无法直接识别用户身份。因此，标签系统通常依赖于公共情报或主动标记来用现实世界的语义为地址添加注释。BlockTag[12]是一个专为区块链分析设计的标签系统。它使用BlockSci框架[13]进行数据解析，并整合了四种垂直爬虫来根据用户类型、服务类型、文本属性和自定义标签收集和分配地址标签。BlockTag应用了多输入和最小聚类启发式方法。最小聚类方法合并至少共享一个地址的簇，如果合并后的簇超过预定义的大小（默认为1），则将其移除。这种方法减少了由混合服务引起的标签冲突，但可能会无意中丢弃正确聚类的地址，从而导致较低的标记覆盖率。截至2018年3月，BlockTag已经标记了大约19,866,061个比特币地址。根据OKLink3的统计，当时总共有380,249,639个比特币地址，这意味着BlockTag标记了大约5.22%的所有已知地址。WalletExplorer4是一个公开可访问的区块链探索器，支持地址聚类和标记。它采用了多输入启发式方法并检测变更地址。然而，标记实体的数量固定为388个（其中123个是交易所，占31.7%），并且不会向数据库中添加新实体，尽管它们的关联地址会继续被逐步更新。

现有的地址标签数据库通常只为每个地址分配一个单维度标签。然而，不同来源可能给同一个地址分配不同的身份标签。例如，地址“1AL5...”可能被某个来源标记为BitcoinTalk论坛的用户，而另一个来源则将其标记为Huobi交易所的地址，如图1和图2所示。现有方法通常只选择其中一个标签，可能会丢弃有价值的开源情报并影响可追溯性。

Wang等人的最新研究[14]分析了暗网市场中的比特币交易行为，强调了准确地址标记和聚类的必要性，以便识别高风险交易。

### 3. 真相发现算法
目前，已有大量关于解决多源数据冲突的研究。针对不同场景提出了各种方法来处理数据不一致性问题。最直接的方法之一是多数投票[15]，它假设所有数据来源都同样可靠，并将数据集中出现频率最高的值视为真实值。然而，在现实中，数据来源的可靠性往往不同，这使得这种方法在确定数据的真实性时容易出错。

真相发现算法旨在通过估计某个数据项为真的概率来解决噪声和冲突数据。Dong等人[16]提供了一个全面的调查，涵盖了经典方法、基于神经网络的方法和基于图的方法，以及它们在金融和区块链审计等领域的应用。数据来源的质量被视为一个关键因素，并已被纳入许多真相发现模型中。例如，Pochampally等人[17]提出了PrecRec和PrecRecCorr算法，将每个数据提取器视为具有不同提取规则和重点的独立来源。他们还考虑了来源之间的潜在相关性，并基于贝叶斯推断推导出他们的模型。在三个公共数据集上的实验评估表明，他们的方法比其他方法的平均F1分数提高了5.2%。

尽管这些算法具有通用性，适用于各种数据类型，但它们通常根据特定于来源的指标（如召回率和误报率）来评估数据项。当两个冲突的数据项来自同一来源时，评分结果可能相同，这使得区分真实标签变得困难。在将此类算法直接应用于比特币地址标记数据集时，这个问题尤为突出，因为集群可能包含来自同一来源的多个冲突标签。为了解决这个问题，本文提出了一种结合启发式和真相发现的混合方法。通过利用比特币交易的独特特征，我们旨在提高单个地址标签和地址簇标签的真相发现准确性。

### 4. 比特币地址标签库的构建
构建比特币地址标签库主要涉及两个步骤：种子标签获取和通过地址聚类传播标签。本文首先从多个来源获取种子标签，然后应用地址聚类算法将相关地址分组。随后将这些种子标签传播到这些簇中，以提高地址空间的整体标记覆盖率。

#### 3.1. 种子标签获取
#### 3.1.1. 标签数据收集
从多个公共数据来源（包括情报平台、社交媒体和其他在线资源）共收集了32,059,886个比特币地址标签。用于获取标签的数据来源详细列表见表1。

| 数据来源类型 | 收集的标签数量 |
|---------|------------|
| WalletExplorer | 31,895,039 |
| Whale Alert | 16,365 |
| Bitcoinwhoswho | 7,749 |
| CharityCoin | 6,315 |
| Ransomwhere | 7,216 |
| BitcoinTalk Forum | 57,441 |
| Twitter | 10,253 |
| GitHub | 2,216 |
| Telegram | 443 |
| 总计 | 32,059,886 |

#### 3.2. 基于交易行为的地址标记
除了从公共数据来源收集种子标签外，本文还根据链上交易行为对地址进行标记。我们使用Coinbase交易聚类启发式和[18]中提出的矿工类型地址聚类启发式来识别矿工类型的地址。比特币中的Coinbase交易是一种特殊的交易，用于奖励矿工。根据Coinbase交易聚类启发式方法，如果一个或多个地址出现在同一笔Coinbase交易的输出中，它们被视为属于同一位矿工，并被相应标记。挖矿池聚类启发式的运作原理如下：如果一笔交易包含超过100个输出地址，并且至少有一个输出地址属于已知的挖矿池，那么这很可能意味着这笔交易是挖矿池向其矿工分配的奖励。在这种情况下，这些输出地址就被标记为矿工地址。

3.2 基于地址聚类的标签传播
我们使用BlockSci工具[13]对历史比特币区块进行聚类，并应用多输入启发式方法实时地逐步对地址进行分类。多输入启发式方法假设一笔多输入交易中的所有输入地址都属于同一个实体。这是基于比特币的设计原则：要从某个地址花费比特币，必须使用该地址的私钥来签名交易。因此，如果一笔交易中使用了多个输入地址，通常认为这些地址由同一用户控制。例如，如果一笔交易的输入来自地址A和B，而另一笔交易的输入来自地址B和C，那么A、B和C就会被归为一组，并认为它们属于同一个钱包。截至2023年1月，这种方法已将地址标记的覆盖率提升到了11.3%。

3.2.1 过滤混合硬币的交易
混合硬币是比特币中常用的一种增强匿名性的技术。随着各种混合硬币服务（如CoinJoin、CoinSwap、ChipMixer、Wasabi Wallet）的出现，用户可以模糊他们的交易历史。这些服务通过合并多个用户的输入来破坏多输入启发式的有效性，导致错误的聚类和标签冲突。为了解决这个问题，BlockTag[12]采用了一种最小化聚类的方法，限制在单个交易内的地址聚类。虽然这种方法可以减少聚类错误，但也会导致标记覆盖率较低，并且无法完全消除混合行为。

本文提出了一个轻量级的启发式过滤框架，该框架能够动态识别并排除基于流行混合硬币协议共性特征的异常交易。工作流程包括：
1. 特征规则库构建：基于之前的研究[19]、[20]、[21]，我们为主流协议定义了检测规则：
- 交易结构特征
- 异常的输入/输出数量（例如，CoinJoin：≥2个输入，≥4个输出，输入/输出比率≥1/2）
- 标准化的输出金额（例如，Wasabi Wallet：0.1 ± 0.02 BTC；ChipMixer：0.001/0.002/.../8.192 BTC）
- 脚本和字段特征
- 特殊脚本（例如，CoinSwap的2-of-2多签名机制、时间锁）
- 版本字段（例如，ChipMixer使用nVersion=2）和地址类型（Wasabi仅使用BECH32）
- 行为模式特征
- 地址的首次使用（例如，ChipMixer的输出没有历史记录）
- 时间相关性（例如，CoinSwap要求在30个区块内有一对匹配的交易且没有赎回重叠）

2. 效果评估：基于截至区块高度685,718的比特币交易数据，本研究提取并过滤了325,098笔混合交易，占当时区块链上总交易量的大约0.05%。与BlockTag采用的“最小化聚类”方法相比，我们的方法实现了跨交易地址的聚类，将平均聚类规模从10个地址增加到1,312个地址，从而显著提高了标签覆盖率。实验结果表明，所提出的方法有效减少了由混合活动引起的标签冲突。

我们使用比特币全节点解析区块链和交易数据。当检测到一个新区块时，首先过滤掉混合硬币交易。然后，使用多输入启发式方法对剩余的交易进行聚类。如果某个结果聚类中的地址已有标签，这些标签会被传播到整个聚类中。工作流程如图3所示。

4. 标签冲突分析
4.1 标签冲突的来源
为了有效追踪比特币交易，构建一个地址标签数据库以将地址与其对应的实体关联起来是非常重要的。目前，地址标签通常以字符串形式表示。在构建标签数据库的过程中，来自不同来源的标签经常会发生冲突，导致多种类型的标签冲突。
我们确定了三种主要的地址标签冲突来源：
(1) 来自不同来源的冲突标签。同一个地址可能在多个情报来源中被标记为不同。如图4所示，地址A在不同的数据集中与不同的交易所关联。

4.2 标签冲突的分类
根据上述来源，我们进一步分析了现实世界中的比特币地址标签冲突，并观察到了以下典型情况：
类型1：多维度标签。同一个地址在不同语义维度上有不同的描述。例如，在图1中，地址“1AL5...”在BitcoinTalk论坛上被标记为用户，而在图2中，同一个地址被标记为属于Huobi交易所。
类型2：实体名称的差异。同一个实体在不同来源中有稍微不同的标记。如图7和图8所示，地址“1MTw...”在WalletExplorer上被标记为“Bittrex.com”，而在Whale Alert上则简单地标记为“Bittrex”。

类型3：不同实体的冲突标签。混合服务可能导致错误的聚类，使得来自不同钱包的地址被错误地归为同一个地址聚类。这些聚类可能包含指向完全不同实体的标签，从而引起严重的冲突。

5. 标签冲突解决方法
5.1 总体框架
构建比特币地址标签库的总体框架包括四个核心模块：标签收集、标签维度识别、标签冲突检测和标签冲突解决。从收集到存储的完整标签处理工作流程如图11所示。首先，从多个信息来源收集标签。然后，系统识别它们的语义维度，以检查是否存在多个或跨维度的标签。使用标签冲突检测算法识别冲突。如果冲突被归类为软冲突，则直接存储标签；对于硬冲突，则在存储正确标签之前使用专门的解决算法进行解决。

5.2 多维度比特币地址标签模型
以往的研究通常根据所有权类型将比特币地址归为单一类别，这限制了标签的表达能力。然而，在现实世界中，一个地址可能与多种信息维度相关联。为此，我们设计了一个多维度标签框架。每个标签都与一个维度相关联，一个地址可以有多个来自不同维度的标签。表2总结了这些维度。
表2. 比特币地址标签的维度
| 主维度 | 辅维度 | 描述 |
|---------|-------------------|----------------------|
| 所有权 | 交易所、自然人等 | 描述地址标签的详细所有权信息 |
| 类别 | 交易所、挖矿池、暗网 | 描述地址的功能类别 |
| 用户 | Twitter ID、Telegram ID、电子邮件 | 描述与该地址关联的用户账户 |
| 行为 | 骗局、欺诈等 | 描述地址的交易行为 |
| 网络 | 描述与区块链相关的信息，如IP地址 | |
| 未知 | 尚无法确定维度的标签，如无意义的字符串 |

我们定义了六个主要维度：所有权、类别、用户、行为、网络和未知。每个主要维度可以进一步细分为子维度。例如，一个同时标有Twitter和GitHub用户名的地址将在“Twitter用户”和“GitHub用户”下分别有标签。

5.3 标签维度识别算法
标签维度识别算法结合了基于规则的解析和实体库匹配。
(1) 如果标签存在于实体库中，就用相应的维度对其进行标注。域名和URL使用正则表达式进行识别并映射到所有权维度。
(2) 提取如“交易所”或“服务”之类的类别信息并映射到类别维度。
(3) 使用正则表达式匹配电子邮件地址和电话号码并分配到相应的用户维度。 également使用社交平台名称（如Twitter、Telegram）。
(4) 识别IP地址并分配到网络维度。
(5) 将“骗局”或“勒索”等行为关键词分配到行为维度。

5.4 标签冲突检测算法
基于上述多维度标签模型，可以存储表现出类型I软冲突的标签，从而解决单个地址与多个不同维度标签相关联的问题。然而，同一地址在同一维度内仍可能发生标签冲突。本文提出了一种针对同一维度内软冲突和硬冲突的冲突检测和区分方法。
由于比特币地址标签可能包含语义信息（例如，“火币网”和“Huobi.com”指的是同一个实体），简单的字符串相似性比较不足以实现准确的识别。因此，我们提出了一种基于语义的标签冲突识别方法，该方法利用公共知识库来构建与加密货币相关的知识库，以语义上区分标签冲突。具体来说，我们利用Magi知识库收集交易所、在线钱包服务和其他与加密货币相关的实体的中文和英文名称及同义词，形成一个加密货币实体库。该库还包括实体描述和属性信息。例如，Binance交易所的实体表示包含图12中显示的描述和属性。根据实体库，我们确定同一维度内地址标签之间的冲突类型。首先使用编辑距离初步评估冲突类型，这有助于消除字符串相似性问题（例如，“Huobi”与“Huobi.com”）。编辑距离阈值是基于对1,000对随机选择的标签对的试点研究经验性地确定的。我们观察到，5的阈值能有效捕捉到常见的变化（如“.com”或“.cn”这样的域名后缀），同时保持较低的误报率。因此，我们将编辑距离阈值设置为5。如果标签成功映射到已知实体，那么冲突类型将直接根据它们是否属于同一实体来确定。比特币地址的多标签冲突识别方法在算法1中进行了介绍。下载：下载高分辨率图像（147KB）下载：下载全尺寸图像

算法1. 比特币地址的多标签冲突检测。

对于软冲突，我们将来自不同来源的所有标签归类到同一实体下，并使用存储在实体存储库中的规范实体名称来标注相应的地址。

5.5. 通过真理发现解决硬冲突
大多数通用的真理发现算法依赖于数据源的质量——通常通过准确性或可信度等指标来衡量——以推断冲突数据中最可靠的价值。在本文中，基于比特币地址标签的单一真理假设，我们通过结合传统的真理推理方法和比特币交易的领域特定特征，提出了一个定制的真理发现算法。该算法解决冲突标签并确定最可靠的一个作为最终的真实值。

在比特币地址聚类中，最常用的方法是多输入启发式方法和更改地址启发式方法。然而，现有的更改地址启发式方法通常精度较低[7]，[8]，这使它们容易产生误报。为了确保聚类准确性，本文仅采用多输入启发式方法进行地址聚合。

我们使用两个指标来评估每个数据源的质量：召回率（R）和误报率（FPR），并假设给定标签正确的先验概率α。由于不同的数据源通常只覆盖实体属性的一部分，因此每个源的质量估计仅基于其覆盖的数据部分来计算。数据源i的召回率和误报率定义如下[22]：
(1) ri = TP / (TP + FN)
(2) qi = FP / (FP + TN)
这里，TP是源i提供的正确标签的数量，FP是源i提供的错误标签的数量，FN是整个数据集中未由源i提供的正确标签的数量，TN是数据集中未由源i提供的错误标签的数量。

我们使用每个源的召回率和误报率来估计其质量。如果一个源的召回率较高且误报率较低，那么其标签更有可能是准确的。

假设标签t正确的先验概率为Pr(t) = α。在我们的实验中，我们将α设置为0.5。这个值代表一个无信息的先验（或最大熵先验），假设在没有关于源可靠性的具体历史数据的情况下，标签为真或假的概率相等。这确保了最终的可信度评分主要受观察到的证据（源质量和聚类一致性）的影响，而不是受偏见的初始假设的影响。让Ot表示所有源的集合，包括那些提供和不提供标签t的源。让S(t) ? Ot表示提供标签t的源的子集。给定观察到的源的情况下，标签t的可信度计算如下：
(3) Pr(t|Ot) = Pr(Ot|t) · Pr(t) / (Pr(Ot|t) + Pr(Ot|?t) · (1 ? Pr(t))
代入数值后，我们得到：
(4) Pr(t|Ot) = 1 / (1 + 1 ? α) · Pr(Ot|?t) / Pr(Ot|t)
令μ = Pr(Ot|t) / Pr(Ot|?t)，然后应用总概率规则，我们得到：
(5) μ = ∏Si∈S · ri · ∏Sj∈Sˉt · (1 ? rj) / (1 ? qj)

我们整合多输入启发式方法来增强地址标签的可信度评估。对于给定的地址标签，如果同一簇中的其他地址（不包括该地址本身）也来自不同源共享相似的标签，那么该标签的可信度会随着一致标签的数量和多样性而增加。

首先，我们通过多输入启发式方法找到包含标记地址的地址簇。让n表示簇中地址的总数。在这些地址中，让m表示与目标地址共享相同标签的地址数量，并且这些标签是由不同来源提供的。这些来源的多样性越高，对目标标签的信心就越高。

我们定义标签t的多输入可信度调整因子MLt为：
(6) MLt = 1 + m / n

如果通过多输入启发式方法没有找到有效的地址簇，或者没有共同输入的地址具有相同的标签，那么我们设置MLt = 1，表示不基于共现进行可信度调整。

标签t的最终可信度评分按照方程式(7)计算。它结合了真理发现算法的结果和MLt因子，确保源一致性和聚类一致性共同影响标签的可信度。在多个冲突标签中，选择可信度得分最高的作为最终的真实值。所有可信度评分会迭代更新，直到收敛。
(7) pr = Pr(t|Ot) · MLt = 1 / (1 + 1 ? α) · 1 / μ · MLt

如算法2所示，我们计算每个冲突标签的最终可信度评分，并返回得分最高的标签。

下载：下载高分辨率图像（113KB）下载：下载全尺寸图像

算法2. 比特币地址标签的硬冲突解决。

6. 实验评估

6.1. 实验设置
实验环境：所提出的方法是用Python实现的。实验在64位Windows 11操作系统上进行，配备了AMD Ryzen 7 4800H CPU和32GB RAM。Python运行时环境为版本3.8，使用的数据库是MySQL 5.6。

数据集收集：从多个公共数据源（包括情报平台和社交媒体网站）共收集了32,059,886个比特币地址标签。收集到的地址标签的来源如表1所示。基于这个数据集，确定了33,502个地址具有两个或更多关联标签。

地址聚类：我们基于多输入启发式方法进行了跨交易地址聚类。总共将800,877,835个比特币地址聚类为373,762,474个地址组。收集到的标签被用来标注地址簇，结果是30,534个标记簇。其中，471个簇被识别为具有两个或更多不同的地址标签。

实体存储库构建：我们通过从开源知识库Magi收集实体信息来构建一个加密货币交易实体存储库。该存储库包含138个实体，包括106个被归类为主流加密货币交易所平台的实体和32个被归类为在线钱包服务提供者的实体。存储库包括实体名称、实体类型、描述和属性信息。

实验程序：我们首先对收集到的地址标签进行了去重，并应用了标签维度识别算法。所有具有多个标签的地址和所有具有多个标签的地址簇都被选中进行标签冲突分类。执行冲突识别算法以确定标签冲突的类型。对于硬冲突解决，我们从每个数据源中随机选择了100个地址标签来计算每个来源的召回率和误报率。

为了评估所提出的标签冲突解决方法的有效性，我们在真实世界的数据集上进行了实验。从多个公共来源中提取了661个硬冲突标签案例作为评估集。作为真实值，我们通过OKLink区块链探索器的公共API接口获得了经过验证的地址标签。

6.2. 标签维度识别实验
共收集了32,059,886个比特币地址标签。去重后，我们得到了40,858个不同的标签，这些标签被用作标签维度识别算法的输入。结果如下：
共有28,687个标签（70.2%）成功分配到了语义维度。剩余的29.8%的标签无法被分类到任何维度。主要原因包括：(1) 未能与实体存储库中的任何实体匹配；(2) 与标签维度识别算法中定义的所有规则不匹配。

在识别的维度中：
所有权维度包含3,535个标签（12.32%），
用户维度包含22,817个标签（79.54%），
网络维度包含807个标签（2.81%），
行为维度包含1,528个标签（5.33%）。

标签维度的分类结果如图13所示。

6.3. 标签冲突识别实验
我们提取了33,502个包含两个或更多标签的地址。根据多维标签模型，我们将这些标签结构化为多个维度以便存储和分析。其中，32,372个地址（96.63%）表现出I型软冲突，即同一个地址在多个社交平台上与不同的用户名或电子邮件账户相关联。这一高比例表明，开源情报（OSINT）倾向于从多个角度描述同一实体（例如，身份、行为或功能），而不是使用单一的统一标签。通过保留和结构化存储多维标签，而不是简单地去除重复标签，我们实现了细粒度的链上分析，并最小化了信息丢失。传统方法通常会丢弃此类标签以避免冲突（例如，只保留一个“权威”来源），但我们的基于分类的方法保留了语义多样性。这证实了使用多维标签模型存储标签可以提供更丰富的信息表示，支持更准确的搜索，并避免丢弃有价值的OSINT数据。

此外，我们使用实体存储库信息和字符串相似性指标来识别II型软冲突和硬冲突：
208个标签（0.62%）被分类为II型软冲突；
661个标签（1.97%）被分类为硬冲突。

在地址簇级别，我们分析了471个包含多个标签的簇。结果如下：
411个簇（87.26%）表现出I型软冲突；
6个簇被识别为II型软冲突；
45个簇（9.55%）表现出硬冲突。

在簇级别的冲突识别结果如图15所示。

通过在地址标签中识别和解决软冲突，我们实现了去重和标签标准化，提高了一致性和可解释性。

6.4. 硬冲突解决实验
从跨多个数据源收集的比特币地址标签数据集中，我们总共发现了661个表现出硬冲突的地址。这个数据集中的所有冲突标签都是由两个来源提供的：WalletExplorer和Whale Alert。

对于每个来源，我们随机选择了100个涉及硬冲突的地址。然后我们在2025年6月10日通过其公共API查询OKLink区块链探索器，以获取每个地址的权威标签。这个检索日期与我们的数据集的时间范围（截至2025年6月5日）一致，确保评估结果不受时间不匹配的影响。

作为行业领先的多链区块链探索器，OKLink提供了经过验证的实体标签（例如，主要交易所、矿池）以及风险属性。对于OKLink返回清晰无误标签的地址，我们记录了相应的真实值信息。

通过聚合地址及其经过验证的OKLink标签，我们为这个实验构建了一个基准数据集。这个基准数据集包括多个具有冲突标签的地址和OKLink提供的真实值，作为后续验证和评估的基础。该基准数据集为量化WalletExplorer和Whale Alert分配的标签的可信度提供了可靠的参考。基于此基准，我们使用训练数据计算了每个数据源的来源质量指标（例如，召回率、误报率）。详细的评估指标如表3所示。

表3. 数据源的评估指标。

数据源 召回率 误报率
WalletExplorer 0.98 10.11
Whale Alert 0.24 0.948

在实验中，我们将标签t正确的先验概率设置为α = 0.5。我们采用精确度作为评估冲突解决算法有效性的指标，如方程式(8)所定义：
(8) 精确度 = TP / (TP + FP)
这里，TP指的是算法识别为正确的标签数量，并且与真实值相比确实正确的标签数量。FP指的是算法识别为正确的标签数量，但根据真实值集合是不正确的标签数量。

由于现实世界中的地址标记问题本质上是二进制决策（即，正确标签与错误标签），我们使用方程式(8)来评估输出标签是否与真实值一致以及一致的程度。因此，精确度是一个合适的评估指标。

我们应用方程式(8)来验证所有涉及硬冲突的661个地址标签，并将预测结果与从OKLink检索到的真实值数据进行比较。结果，硬冲突解决方法的精确度达到了99.39%。

地址级别冲突识别和解决的结果如表4所示，而簇级别冲突解决的结果如表5所示。

表4. 地址标签冲突识别和解决的结果。

表5. 实验结果。实验结果：集群标签冲突识别与解决方法
标签类型 | 标签数量 | 占总标签比例 | 冲突类型比例
--- | --- | --- | ---
集群标签 | 30,534 | 100% | –
多重标签集群（存在冲突） | 471 | 11.54% | 100%
I型软冲突 | 411 | 11.35% | 87.26%
II型软冲突 | 60 | 0.02% | 1.27%
硬冲突 | 45 | 0.15% | 9.55%
成功解决的冲突 | 417 | 13.7% | 88.54%

如表4所示，所提出的方法共成功解决了33,237个地址标签冲突，包括I型软冲突、II型软冲突和硬冲突，占总检测到的地址标签冲突的99.21%。表5进一步表明，集群级标签冲突的解决率为88.54%。这些结果表明，该方法有效解决了比特币地址注释中的标签冲突问题，并显著提高了标签准确性。

7. 结论
由于基于区块链的加密货币具有固有的匿名性，监管机构难以监督涉及比特币交易的非法活动。为了识别比特币地址背后的真实身份，许多情报平台和区块链探索者对某些地址进行了注释。然而，这些注释往往包含大量不准确或相互矛盾的信息。
为了解决这一挑战，本文提出了一种基于改进的真值发现算法的比特币地址标签冲突解决方法。该方法能够在保持高准确性的同时解决标签冲突，最终识别出最可靠的标签。
该方法支持对与任何比特币地址相关的所有类型标签冲突进行分类和解决。与仅依赖启发式地址聚类进行标签传播的传统方法相比，我们的方法通过明确建模冲突解决过程，实现了显著更高的标签精确度。

CCredit作者贡献声明：
Tao Leng：项目管理、方法论、资金获取、形式分析、概念化
Wanging Wang：撰写-审稿与编辑、撰写-初稿、可视化、数据整理
Yuchen Song：撰写-审稿与编辑、验证、软件开发
Ruisheng Shi：监督、项目管理
Lina Lan：监督、资源协调
Shihan Zhang：调查、数据整理
Ziding Lin：软件开发、数据整理
Jinqiao Shi：监督、项目管理
Ruidong Zhang：监督、项目管理