用图神经网络优化基于启发式的比特币地址聚类
Refining Heuristic-Based Bitcoin Address Clustering with Graph Neural Networks
浏览论文内容
中文总结 AI 辅助
本研究针对比特币地址聚类的启发式方法模块化不足、易合并不同用户的问题，提出用图神经网络的对比嵌入优化聚类的方法，发布相关数据集并提供可疑合并的定量标记标准。
中文摘要 AI 辅助
比特币的伪匿名性使得分析用户层面的活动颇具挑战，因为单个用户可能控制多个标识符（地址）。现有的基于启发式的方法试图识别属于同一用户的地址，但它们通常生成模块化程度有限的平面聚类分配，且易出现将不同用户合并在一起等错误。在本研究中，我们提出一种方法，通过基于图神经网络生成的对比嵌入来优化启发式得到的聚类。我们的贡献有三：（一）发布包含大量聚类的公开可用比特币交易图数据集；（二）提出学习与启发式一致的地址嵌入的方法，并辅以理论指导直觉；（三）通过层次聚类，实现对启发式聚类的更精细分析，并提供用于标记可疑合并的定量标准。
英文摘要
Bitcoin's pseudonymous nature makes it challenging to analyze user-level activity, since a single user may control multiple identifiers (addresses). Existing heuristic-based methods attempt to identify addresses belonging to the same user, but they often produce flat cluster assignments with limited modularity and are prone to errors such as merging different users together. In this work, we propose a method for refining heuristic-obtained clusters by grounding our clustering on contrastive embeddings yielded by graph neural networks. Our contributions are threefold: (i) we release a publicly available dataset of Bitcoin transaction graphs containing a substantial number of clusters; (ii) we propose a methodology for learning address embeddings consistent with heuristics, and back it up with theoretical guiding intuitions; (iii) through hierarchical clustering, we enable a finer analysis of heuristic clusters and provide a quantitative criterion for flagging suspicious merges.
发表机构
- École Polytechnique（巴黎综合理工学院）
- Institut Polytechnique de Paris（巴黎理工学院）
- Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
机构由 AI 辅助整理，请以论文原文为准。
