Rejoignez-Nous sur

Le plus grand cauchemar de Blockchain Analytics

News

Le plus grand cauchemar de Blockchain Analytics

On m'a posé cette question sur scène lors d'une conférence récente. Ma réponse a été un seul mot: deanonymization. Je suis fermement convaincu que l'identification et la compréhension des groupes d'acteurs pertinents constituent un défi essentiel pour libérer le potentiel de l'analyse en chaîne de blocs. À Dans le bloc, nous passons beaucoup de temps à réfléchir à ce problème et à identifier les bonnes frontières qui ne sont pas en conflit avec l’éthique du mouvement cryptographique. Aujourd'hui, j'aimerais explorer cette idée un peu plus loin.

L'architecture de la plupart des blockchains du marché repose sur l'anonymat du pseudonymat en tant que mécanisme permettant de protéger la confidentialité de ses nœuds et de permettre la décentralisation. Ces mécanismes d’obscurcissement des données permettent d’enregistrer les données de transaction crypto-asset dans des grands livres publics et accessibles à tous, mais rendent également leur analyse extrêmement difficile. Sans identité, il est difficile de développer une sémantique et des couches d'interprétation significatives des jeux de données blockchain. Sans cela, les analyses en blockchain resteront relativement basiques. Cependant, il est important de comprendre que la désanonymisation des jeux de données blockchain n'implique pas la connaissance de l'identité de chaque adresse du grand livre. Cette approche est presque impossible à adapter. Au lieu de cela, nous pouvons nous contenter d’identifier et de comprendre le comportement d’acteurs connus tels que les échanges, les bureaux de gré à gré, les mineurs et d’autres parties qui constituent des éléments clés d’un écosystème blockchain.

Les métriques réseau sont une métrique omniprésente dans l'analyse de la chaîne de blocs et illustrent clairement le pouvoir de la désanonymisation. Le nombre d'adresses est souvent une mesure trompeuse pour une raison simple: toutes les adresses ne sont pas égales. Une adresse créée par un échange pour effectuer un transfert temporaire n’est pas la même chose qu’un portefeuille contenant des économies significatives sur une longue période. De même, le porte-monnaie d'un échange comme Binance ne doit pas être interprété selon la même sémantique que mon porte-monnaie personnel. Le fait de regarder toutes les adresses sous le même angle d’anonymat est propice à des interprétations limitées et souvent trompeuses.

40ymA95p0lcRGbZcoWg7Dwyzpw62 4b2334g

Les identités anonymes ou pseudonymes sont un élément clé des architectures décentralisées évolutives, mais il est également extrêmement difficile d'obtenir des informations significatives à partir de jeux de données blockchain. Une façon de comprendre cet argument consiste à considérer l'anonymat comme un contre-facteur d'interprétabilité de l'analyse en chaîne de blocs.

Le frottement entre anonymat et interprétabilité dans les jeux de données blockchain est relativement trivial. Plus un jeu de données blockchain est anonyme, plus il est difficile d’en extraire une intelligence significative. Les identités fournissent un contexte et le contexte est un élément clé de l’interprétabilité.

40ymA95p0lcRGbZcoWg7Dwyzpw62

Deanonymiser les jeux de données blockchain n'implique pas de connaître l'identité spécifique de chaque acteur. C’est non seulement une tâche monumentale, mais aussi une productivité passée et certaine contre-productive. Au lieu de cela, nous pouvons nous contenter de comprendre les caractéristiques ou caractéristiques clés d'un acteur spécifique pour permettre un niveau significatif d'interprétabilité de nos analyses. Ainsi, au lieu d'identifier clairement l'identité spécifique d'une adresse, nous pouvons attacher des étiquettes ou des métadonnées permettant de contextualiser son comportement.

À grande échelle, l’étiquetage est souvent un concept plus puissant que l’identité. Comprendre les identités spécifiques des acteurs de l’écosystème de la blockchain permet certes des niveaux intéressants de personnalisation, mais reste relativement limité pour comprendre les tendances au niveau macro.

40ymA95p0lcRGbZcoWg7Dwyzpw62 6y3h332q

Le défi de la désanonymisation est donc davantage lié à l’identification des étiquettes de clés ou des attributs d’adresse de chaîne de blocs qu'à la compréhension d’identités spécifiques. Comment pouvons-nous aller à ce sujet?

L’idée d’étiqueter ou de désanonymiser des chaînes de blocs pour permettre une meilleure analyse commence par la compréhension des modèles et caractéristiques pertinents des acteurs connus de l’espace. Intuitivement, nous penserions à créer des règles pour qualifier les différents éléments d’un écosystème blockchain. Quelque chose comme ça:

Si une adresse détient une position importante sur Bitcoin et exécute plus de 100 transactions par donnée, il s’agit d’un échange….

Bien que tentante, l’approche basée sur des règles ne fonctionnera pas rapidement pour fournir des informations utiles. Quelques raisons à cela:

1. Connaissance prédéfinie: Une classification basée sur des règles suppose que nous possédons suffisamment de connaissances pour identifier précisément les différents acteurs de l'écosystème de la blockchain. Ce n'est évidemment pas vrai.

2 Changements constants: L'architecture des solutions de blockchain change à tout moment, ce qui remettra en cause les règles prédéfinies.

3 Nombre d'attributs: Il est facile de créer une règle avec deux ou trois paramètres, mais essayez avec vingt ou cent. Identifier des acteurs tels que les échanges ou les bureaux de gré à gré nécessite de multiples combinaisons d'attributs.

Au lieu de règles prédéfinies, nous avons besoin d'un mécanisme qui apprend les motifs d'un jeu de données blockchain et extrapole des règles significatives nous permettant d'étiqueter les acteurs pertinents. Conceptuellement, il s'agit d'un problème d'apprentissage manuel.

Du point de vue de l'apprentissage machine, nous devrions penser au défi de la désanonymisation combinant deux approches principales:

· Apprentissage non supervisé: L'apprentissage non supervisé se concentre sur les modèles d'apprentissage relatifs à un ensemble de données donné et identifie les groupes pertinents. Dans le contexte des jeux de données blockchain, un modèle non supervisé pourrait être utilisé pour segmenter un groupe d'adresses en groupes pertinents en fonction de leur activité et associer des étiquettes à ces groupes.

· Enseignement supervisé: Les méthodes d'apprentissage supervisées utiliseront les connaissances antérieures pour acquérir de nouvelles caractéristiques sur un ensemble de données donné. Dans le contexte des blockchains, les méthodes d'apprentissage supervisé peuvent être formées sur un ensemble d'adresses d'échange spécifique pour en détecter de nouvelles.

40ymA95p0lcRGbZcoWg7Dwyzpw62 4y4b33h8

Le dé Deanonymisation ou l'étiquetage d'ensembles de données blockchain est rarement un choix entre des méthodes supervisées ou non supervisées et plutôt une combinaison des deux. Les modèles d'apprentissage automatique peuvent apprendre efficacement les caractéristiques d'acteurs spécifiques de l'écosystème de la blockchain et utiliser ces connaissances pour comprendre son comportement.

L'intégration de couches d'étiquetage ou d'informations d'identité dans des ensembles de données blockchain est un défi clé pour permettre des analyses plus significatives. Les étiquettes apportent un meilleur contexte et permettent une meilleure interprétabilité dans les modèles analytiques. Malgré le puissant arsenal de piles d’apprentissage machine à notre disposition, la désanonymisation reste un obstacle incroyablement difficile sur la route pour permettre une meilleure analyse de l’écosystème de la blockchain.



Traduction de l’article de Jesus Rodriguez : Article Original

BlockBlog

Le Meilleur de l'Actualité Blockchain Francophone & Internationale | News, Guides, Avis & Tutoriels pour s'informer et démarrer facilement avec Bitcoin, les Crypto-Monnaies et le Blockchain. En Savoir Plus sur L'Équipe BlockBlog

Commenter cet Article

Commenter cet Article

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Plus dans News

Les Plus Populaires

Acheter des Bitcoin

Acheter des Alt-Coins

Sécuriser vos Cryptos

Vêtements et Produits Dérivés

Top