《數海拾趣3》為比特幣地址擁有者進行分類思路

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

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，通過遞歸算法的進行的判斷，準確率幾乎可以達到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的普及，目前比特幣的整個區塊已非常龐大（截止2018年8月28日，區塊高度為538862，大小接近180G），如果使用該方法所依靠的遞歸算法對整個區塊鏈上的地址進行計算，需要消耗大量計算資源和時間，限制了對該方法的使用范圍；另外這種方法只能通過設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，通過從比特幣區塊鏈中提取特征分析不同賬戶的鏈上轉賬信息，使用隨機森林（Random Forest）的機器學習算法對地址類別進行歸類。該機器學習算法并非替代原有的聚類算法，而是對原有的聚類方法應用范圍的補充。犧牲一小部分的準確性，以適用于更廣泛的比特幣區塊鏈轉賬研究。

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

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賬記錄，基于分類算法得出活躍地址數的分布：

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

再進一步分析新建地址數和轉賬明細得出：

1）交易所和服務商新增地址數在這幾周內變化不大，但是新建個人錢包地址數卻呈現明顯下降趨勢。

2）比特幣由個人地址轉入交易所的量遠遠大于從交易所轉入個人地址的量。

最后推測該周比特幣價格大幅下挫原因可能有：

1）新入場的投資者人數的減少。

2）很有可能是有大量用戶將個人錢包中的比特幣轉入交易所進行拋售。

報告正文

第一部分模型簡介

1. 比特幣的交易過程和特點

比特幣交易有三個特點：1）所有交易記錄大眾可見，2）一筆交易可以有多個輸入（inputs）和多個輸出（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為真實出現在比特幣網絡的交易流，每個頂點代表一個比特幣地址，頂點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特點，一筆交易可以有多個輸入（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特點。

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，得出結論：當用戶支付額度超過了用戶錢包中每一個可用地址中比特幣的數量時，為了避免執行多筆交易完成支付造成交易費用方面的損失，用戶會從錢包中選擇多個比特幣地址聚合在一起進行匹配支付，實現多輸入交易。而又由于比特幣交易中使用每一個地址中的資金都需要單獨簽名，所以我們可以反過來認為一個多輸入交易中的所有輸入地址來源于同一個用戶。（準確率可以近似達到100%）。

因此我們可以認為圖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），由于挖礦的本質是在一臺服務器上運行比特幣挖礦程序，可以認為一個產量交易中的輸出地址是由同一個用戶進行配置。所以如果一個或多個地址是同一個挖礦交易的輸出，可以認為它們被同一個用戶控制。

對于用戶自行挖礦模式的情況，挖礦交易地址聚類的準確率可達100%。對于“礦池”模式，多數情況下，出塊獎勵會在產量交易中轉入“礦主”的私有收益地址，然后根據礦池用戶的算力貢獻進行二次收益分配，因此同樣可以認為產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，迭代的次數越多，查到的地址數就會越多，全面性就越好，但是迭代次數的增多同時也會降低聚類效率。

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現方法，該模型可以非常準確地對同一用戶的地址進行聚類，且隨著迭代次數的增多，得到的同一用戶地址數量非常可觀：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交易所其他的熱錢包地址，且準確率近似100%。

然而該算法缺點是有一定的局限性：我們無法了解比特幣網絡的所有地址的擁有者，對于一個不在數據表的地址，我們無法對其進行歸類。

火幣研究院在研究了該算法的基礎上，通過從比特幣區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，能夠對更為廣泛的匿名比特幣地址進行歸類。

3. 基于隨機森林的比特幣地址分類（算法2）

3.1 標記類別和樣本選取

我們為建模隨機抽樣選取了8045條樣本，并分為五個類別標記：交易所（1591），礦池（1684），服務商（1669），***公司（1601），個人（1500）。

建模所用的地址標簽信息主要來自于WalletExplorer（www.walletexplorer.com），該網站已經通過以上方法，分類了數萬個地址，有五個不同的類別（交易所，礦池，服務商，***公司，舊地址），其中舊地址類別現已很少有交易記錄，我們將此類別刪除。其余四個類別為了保持每個標簽數據的數量維持在同一水平，以免出現數據不平衡情況，我們采用了隨機抽樣的方法，將每個分類的樣本數保持在1500左右。

除了以上四個類別外，我們還加入了“個人”比特幣地址這一分類，數據來源于blockchain.info上已標記的個人地址，隨機抽取1500個。

3.2 特征選擇

通過經驗判斷和反復觀察和實驗，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的交易數量（總轉出筆數）

2）該地址作為output的交易數量（總轉入筆數）

3）該地址作為input的BTC總量（總轉出BTC）

4）該地址作為output的BTC總量（總轉入BTC）

5）該作為Input時，每筆交易Input總數平均數

6）該作為Output時，每筆交易Input總數平均數

7）轉入筆數/轉出筆數比例

8）（轉入筆數-轉出筆數）/（轉入筆數+轉出筆數）

9）平均每筆轉入BTC數量

10）平均每筆轉出BTC數量

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（轉出總交易手續費）

13）該地址作為Output的總礦工費（轉入總交易手續費）

14）轉出平均每筆交易費

15）轉入平均每筆交易費

16）平均每天轉出筆數

17）平均每天轉入筆數

以上鏈上數據火幣研究院通過BlockSCI工具，在服務器上搭建BTC節點后，使用Jupyter notebook進行抓取。

3.3 模型選擇

在監督學習的模型選擇上，通過比較與測試，我們最終選擇Random Forest（隨機森林）作為我們此次搭建的模型。

該模型主要有以下四個優點：

1）在當前所有算法中，具有極好的準確率。

2）能夠處理具有高維特征的輸入樣本，而且不需要降維。（我們的數據一共有17個維度的特征）

3）適用于多分類問題（5個不同的分類）。

4）對于缺省值問題也能夠獲得很好的結果（有些地址只有轉入沒有轉出記錄，無法計算出轉出相關的數據）。

3.4 建模過程

建模過程如圖3所示。其中網格搜索的參數主要為：

1）隨機森林中的樹的數量（n_estimators）

2）樹的深度最大值（Max_depth）

3）拆分內部節點所需的最小樣本數（Min_samples_split）

4）葉子節點所需的最小樣本數（Min_samples_leaf）

方案使通過Python3 語言實現，使用了Scikit-learn中的RandomForestClassifier（隨機森林分類），GridSearchCV（網格搜索），train_test_split（分離測試集和訓練集），confusion_matrix（混淆矩陣），K-Fold（K折）等API模塊。

訓練集和測試集按照2：1的比例進行分割。

3.5 模型得分

最后經過調試，模型在最終測試集上準確度為90%。

混淆矩陣如圖4，除去交易所和服務商的預測混淆的相對較多，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運行結果作為地址的標簽，在算法1的基礎上對其應用范圍進行補充。通過犧牲一小部分的準確性，提高其普適性以應用于更宏觀的鏈上數據分析。

兩者的區別主要有：

4.1 算法類型不同

算法1是已知標簽地址的情況下，通過多次迭代找尋同時出現在同一個轉賬中input的地址過程，目的是發現和已知標簽地址同屬于同一用戶的地址，本質上屬于一種遞歸算法，迭代次數越多，獲得的具有標記的地址數越多。

而算法2屬于機器學習中的監督學習算法，首先將大量帶有標記的數據來訓練產生一個具有推斷功能分類器。有了這個分類器以后，可以根據任何新的個體的特征對該個體進行分類。

4.2 標簽來源不同

算法1和算法2都是從比特幣區塊鏈中提取數據，但標簽的來源有所不同：

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

4.3 應用場景不同

算法1

優點：

1）準確率非常高（接近100%）

2）有具體標簽（具體到火幣熱錢包，OKEX熱錢包等）

3）可解釋性強

缺點：

1）普適性差（無法為所有地址打上標簽）

2）遞歸算法所消耗大量計算資源

該算法適用于追蹤某個人（黑客，比特幣盜竊者），或者某團體（交易所，服務商）的比特幣流向。

算法2

優點：

1）普適性強（給定任意一個地址及其鏈上特征，可以推測該地址的類別）

2）除了建模需要消耗一定計算資源，在歸類時消耗非常少量計算資源。

缺點：

1）準確率無法和算法1相比（目前只能達到90%）。

2）無具體標簽（只能歸類成五個類別，無法具體到某個交易所或者機構）。

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

4）可解釋性差（隨機森林是個黑盒子）。

該算法適用于對數據準確度要求略低的宏觀的鏈上數據分析（例如目前所有比特幣約中有百分之多少在交易所，百分之多少在個人錢包等），以及根據一個地址，迅速判斷該地址類別（例如某日比特幣鏈上發生大額轉賬進入某地址，根據歸類算法可以推測該地址屬于什么類別）

實際分析中，關于算法2如何提高準確率的問題，我們的解決方法是：將算法2與算法1相結合，在算力條件充足的情況下，使用算法1對盡量多的地址進行歸類，（特別是對有大量持幣或者大量轉賬的地址，無法聚類再網上搜尋標簽）。將剩余的無法歸類的地址再使用算法2進行分類。可以有效地提高數據準確性。

第二部分實際案例

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賬記錄進行分析。首先對該周出現在input和output的所有地址先使用算法1對已知地址進行聚類，再使用算法2對剩余的地址進行了分類。

該周的活躍地址數共332萬個，根據算法的推測，其中143萬個為交易所地址，99萬個為服務商地址，62萬個為個人地址，***公司18萬，礦池4萬。分布如圖5所示。其中交易所，服務商和個人錢包地址占了總地址數的93%。

2. 新增地址數分解

我們又往前抓取了四周的鏈上數據進行分析：從新增地址數（圖6）來看，這幾周新增地址數有所減少；

我們再將新增地址數用我們的算法進行分類（圖7），可以發現：雖然交易所和服務商新增地址數在這幾周內變化不大，但是新建個人錢包地址數卻呈現明顯下降趨勢，直接導致了整體新建地址數下降。可以通過新建的個人錢包地址數減少判斷，新進入市場的投資者人數有所減少。

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據進行了分析。得到結果如圖8所示。這周內一共有691萬BTC的交易量，個人地址中的比特幣轉入交易所的量遠遠大于從交易所轉入個人地址的量（相差14萬BTC，約8.4億美金），很大概率是有大量用戶將個人錢包中的比特幣轉入交易所進行拋售，可能也是導致該周比特幣價格下挫的原因之一。