Bitcoin-Mixer anhand statistischer Transaktionsmuster erkennen

Zusammenfassung

Diese Forschung untersucht, wie Bitcoin-Mixing-Dienste die Wege von Geldern durch Transaktionen und Adressen verschleiern. Die Autoren beschreiben Verfahren, um Aktivitäten von Mixern nachzuverfolgen und Mixing-Transaktionen, Mixer-Adressen sowie Sender- und Empfängeradressen zu identifizieren. Außerdem unterscheiden sie Gelder, die als schmutzig oder gereinigt bezeichnet werden. Der Ansatz stützt sich auf statistische Muster in Aktivitäten, die mit Mixing-Diensten verbunden sind.

Da keine gekennzeichneten Beispiele verfügbar waren, erzeugten die Forscher gelabelte Daten, indem sie Transaktionen über die Dienste ausführten. Sie berichten, zuverlässige Muster gefunden und zu einem integrierten Erkennungsalgorithmus kombiniert zu haben. Das bietet einen praktischen Ansatz für ein Klassifizierungsproblem mit wenigen verlässlichen Referenzdaten. Das Dokument macht jedoch keine Angaben zu den untersuchten Diensten, konkreten Mustern, Bewertungskennzahlen oder zur Leistung bei unbekannten Aktivitäten. Die Ergebnisse betreffen die Erkennung im Bitcoin-Netzwerk und belegen nicht, dass sich derselbe Algorithmus auf andere Kryptowährungen oder neuere Mixer-Designs übertragen lässt.

Kernaussagen

• Mixing-Dienste sollen den Geldfluss bei Kryptowährungstransaktionen verschleiern.
• Die Studie zielt darauf ab, Mixing-Transaktionen sowie zugehörige Mixer-, Sender- und Empfängeradressen zu erkennen.
• Da vorhandene Kennzeichnungen fehlten, erstellten die Forscher gelabelte Daten durch Transaktionen über Mixing-Dienste.
• Statistische Muster aus den gekennzeichneten Aktivitäten wurden zu einem Erkennungsalgorithmus kombiniert.
• Das Dokument nennt keine Bewertungskennzahlen und belegt keine Übertragbarkeit über Bitcoin hinaus.

Schlagwörter

# Mixing detection on Bitcoin transactions using statistical patterns


# Mixing detection on Bitcoin transactions using statistical patterns









Cryptocurrencies gained lots of attention mainly because of the anonymous way of online payment, which they suggested. Meanwhile, Bitcoin and other major cryptocurrencies have experienced severe deanonymization attacks. To address these attacks, Bitcoin contributors introduced services called mixers or tumblers. Mixing or laundry services aim to return anonymity back to the network. In this research, we tackle the problem of losing the footprint of money in Bitcoin and other cryptocurrencies networks caused by the usage of mixing services. We devise methods to track transactions and addresses of these services and the addresses of dirty and cleaned money. Because of the lack of labeled data, we had to transact with these services and prepare labeled data. Using this data, we found reliable patterns and developed an integrated algorithm to detect mixing transactions, mixing addresses, sender addresses, and receiver addresses in the Bitcoin network.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.