Что такое подтверждение сети биткоин

Что такое подтверждение транзакции Bitcoin и как долго она подтверждается?

Для перевода Bitcoin с одного кошелька на другой, необходимо получить подтверждение от самой Системы Bitcoin. Без подтверждения транзакции пользователь не может распоряжаться Bitcoin, которые формально считаются его собственностью. Данный процесс выполняет защитную функцию. Таким образом система предотвращает повторное использование одних и тех же единиц Bitcoin. Скорость подтверждения зависит от ряда известных факторов: загруженность сети bitcoin, размер комиссии за перевод, скорость интернет соединения, техническая исправность ресурса где находиться Ваш кошелек и т.д.

«Эволюция сети биткоин». Как повлияет скопление транзакций на цену актива

В начале мая суточное количество транзакций в сети биткоина обновило исторический максимум на отметке 685 тыс. Это произошло на фоне всплеска активности, связанной с выпуском биткоин-NFT или Ordinals. Возможность выпускать токены в сети биткоина появилась в конце января, и с тех пор их было создано уже более 4,69 млн. Более 789 BTC ($21,9 млн) в виде комиссий было потрачено при их эмиссии. По данным на 8 мая в блокчейне первой криптовалюты еще более 455 тыс. транзакций ожидают подтверждения, что является рекордным показателем. Эксперты рассказали «РБК-Крипто», к чему может привести образование такой «пробки».

Причины и решения

Образование очереди довольно типичная ситуация для PoW-блокчейнов, повлиять на это может множество факторов, но основная причина всегда связана с резким повышением интереса к переводам внутри сети, пояснил старший аналитик агрегатора Bestchange.ru Никита Зуборев. По его словам, дальше проблема развивается как «снежный ком» — очередь порождает еще большую очередь, по аналогии с пробками на дорогах, которые образуются из заторов, когда их пытаются объезжать. В блокчейнах пользователи начинают повышать комиссии, и все новые транзакции застревают, при том, что старые могут оставаться неделями в мемпуле (очередь транзакций, mempool), пока нагрузка не снизится. Прямого решения для этой ситуации не существует, говорит эксперт. В целом «проблема масштабируемости» и является главным поводом для критики механизма консенсуса Proof-of-Work (PoW), на котором работает и биткоин. Но аналитик отметил, что есть локальные пути обхода этой проблемы, такие как механизмы «replace-by-fee» или «child-pays-for-parent». «Replace-by-fee» позволяет напрямую поменять размер комиссии в уже отправленной в лист ожидания транзакции, но очень немногие кошельки поддерживают эту функцию. И для ее включения следовало бы предусмотреть это заранее: транзакция должна была быть отправлена с включенным параметром, который позволяет заменять комиссию уже после отправки транзакции, объяснил Зуборев. Функция «child-pays-for-parent» подразумевает отправку новой транзакции с кошелька, на который должна прийти сдача от зависшей предыдущей транзакции с заведомо завышенной комиссией — такой, чтобы майнерам было выгодно обработать сразу две транзакции. По словам эксперта, частично проблему масштабируемости решает применение L2-решений, например, для биткоина существует надстройка Lightning Network, который не нагружает основной блокчейн. Повсеместное внедрение этой технологии поможет предотвратить создание очередей в будущем, добавил Зуборев.

Влияние на цену биткоина

Текущая значительная очередь в сети BTC вряд ли может в моменте повлиять на стоимость актива, но создает ряд вопросов к происходящему вокруг блокчейна Bitcoin, говорит аналитик рынка криптовалют Виктор Першиков. Он пояснил, что если раньше сеть BTC казалась участникам рынка чем-то фундаментальным, стабильным, что очень сложно изменить и, как следствие, сложно ухудшить по своим параметрам, то после появления таких проектов, как Ordinals, биткоин уже не кажется криптовалютной «константой». То, что теперь в сети биткоин тысячи энтузиастов могут создавать NFT при помощи экспериментального скрипта BRC-20 (этот стандарт позволяет создавать токены в сети Bitcoin c использованием протокола Ordinals), расширяет возможности проекта, но не создает дополнительной ценности для BTC, говорит эксперт. Он отметил, что блокчейн биткоина и так никогда не отличался масштабированием, а в периоды нагрузки и сильных движений рынка криптовалют, транзакции в сети, в сравнение с другими блокчейнами, и вовсе оказывались очень медленными. Теперь же, на фоне роста количества транзакций — в моменте их количество «в очереди» превысило 400 тыс., — в сети выросли и комиссии, что добавляет негатива. По словам Першикова, если раньше BTC воспринимался инвесторами, как надежный, топовый криптоактив, то теперь на фоне происходящего в сети, оценка бенчмарка может измениться в худшую сторону. Таким образом, со временем восприятие биткоина, как первого актива рынка, может сместиться в сторону других проектов, которые предложат надежные, быстрые и выгодные транзакции, полагает аналитик. Таким образом, по его словам, события сегодняшних дней в перспективе могут привести к снижению интереса и капитализации BTC. «Однако на текущий момент однозначного конкурента нет, поэтому участники рынка продолжат пользоваться биткоином. На текущие ценовые движения данные процессы вряд ли окажут влияние, но в долгосрочной перспективе подобная «эволюция» сети биткоин вызывает вопросы», — считает эксперт.

ВЫЯВЛЕНИЕ ПОДОЗРИТЕЛЬНЫХ УЗЛОВ СЕТИ БИТКОИН МЕТОДАМИ АНАЛИЗА БОЛЬШИХ ДАННЫХ Текст научной статьи по специальности «Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Гарин Леонид Андреевич, Гисин Владимир Борисович

Цель исследования: проанализировать существующие модели машинного обучения , позволяющие выявлять подозрительные адреса сети Биткоин, разработать современную эффективную скоринговую модель для выявления подозрительных адресов.Метод исследования: сбор и анализ данных об адресах и транзакциях сети Биткоин, выявление признаков подозрительной активности адресов, анализ, построение и экспериментальная проверка эффективности моделей машинного обучения , направленных на выявление подозрительных адресов сети Биткоин на основе транзакций их владельцев.Полученные результаты: проведен анализ распространенных наборов данных и моделей машинного обучения , связанных с выявлением подозрительных адресов сети Биткоин, собраны данные о транзакциях , связанных с представительным набором адресов. Построены модели машинного обучения для выявления подозрительных адресов на основе собранной информации. Проведена экспериментальная апробация моделей. Установлено, что наилучший результат дает модель, использующая градиентный бустинг. Эта модель демонстрирует более эффективную работу по сравнению с имеющимися аналогами.

i Надоели баннеры? Вы всегда можете отключить рекламу.

IDENTIFICATION OF SUSPICIOUS BITCOIN NETWORK NODES BY BIG DATA ANALYSIS METHODS

Purpose: to analyze existing machine learning models that allow identifying suspicious addresses of the Bitcoin network, to develop a modern effective scoring model for identifying suspicious addresses.Methods: collecting and analyzing data on addresses and transactions of the Bitcoin network, identi cation of patterns of illicit activity of addresses, developing and experimental veri cation of machine learning models aimed at identifying suspicious addresses of the Bitcoin network using related transactions.Practical relevance: the analysis of common data sets and machine learning models related to the identi cation of suspicious Bitcoin network addresses was carried out, data on transactions related to a representative set of addresses was collected. Machine learning models have been built to identify suspicious addresses based on the collected information. Experimental approbation of the models was carried out. It is established that the best result is obtained by a model using gradient boosting. This model demonstrates more ef cient operation compared to existing analogues.

Текст научной работы на тему «ВЫЯВЛЕНИЕ ПОДОЗРИТЕЛЬНЫХ УЗЛОВ СЕТИ БИТКОИН МЕТОДАМИ АНАЛИЗА БОЛЬШИХ ДАННЫХ»

I выявление подозрительных узлов сети Биткоин методами анализа больших данных

Гарин Л.А. 1 Гисин В.Б.2

Метод исследования: сбор и анализ данных об адресах и транзакциях сети Биткоин, выявление признаков подозрительной активности адресов, анализ, построение и экспериментальная проверка эффективности моделей машинного обучения, направленных на выявление подозрительных адресов сети Биткоин на основе транзакций их владельцев.

Полученные результаты: проведен анализ распространенных наборов данных и моделей машинного обучения, связанных с выявлением подозрительных адресов сети Биткоин, собраны данные о транзакциях, связанных с представительным набором адресов. Построены модели машинного обучения для выявления подозрительных адресов на основе собранной информации. Проведена экспериментальная апробация моделей. Установлено, что наилучший результат дает модель, использующая градиентный бустинг. Эта модель демонстрирует более эффективную работу по сравнению с имеющимися аналогами.

Ключевые слова: распределенный реестр, блокчейн, транзакция, скоринг, машинное обучение, криптовалю-та, подозрительная активность.

Сегодня криптовалюту в некоторых странах признают средством платежа, а организации принимают в качестве оплаты; признают имуществом, тем самым устанавливая в ее отношении права владения, пользования и распоряжения. Рекомендации FATF предписывают национальным органам финансовой разведки устанавливать нормы, касающиеся регулирования криптовалюты, в том числе, идентификация при совершении операций и исследование ее происхождения. С этим тесно связана задача оценки заемщиков, берущих кредиты под залог криптовалюты. Неверная оценка заемщика может сделать, в том числе, и добросовестного кредитора стороной нелегальной сделки. Здесь задача финансово-кредитных институтов оказывается тесно увязанной с более общей проблемой выявления в сетях, использующих криптовалюты, участников, ведущих подозрительную деятельность. Получение кредита под залог криптовалюты является одной из форм конвертации криптова-лютных активов в фиатные деньги, и очевидным об-

разом может быть использовано в преступных целях. Тем самым построение моделей кредитного скорин-га для сетей распределенных реестров оказывается включенным в общую проблематику исследований, направленных на оценку криптовалютных активов на подозрительность происхождения и наличие признаков отмывочной деятельности.

В последние годы, сопровождающиеся взлетом цены на биткоин, получили распространение кредиты под залог криптовалюты, см. [1]. Свидетельством этого является рост числа запросов относительно таких кредитов, демонстрирующий определенную корреляцию с курсом биткоина (по данным Google Trends (рис.1)).

Естественной формой кредитования под залог криптовалюты становится одноранговое (P2P) кредитование [2]. Одноранговое кредитование позволяет участникам сети получать кредиты и выдавать займы, минуя посредников, в том числе финансовые институты. В децентрализованной системе Р2Р-кредитования, использующей технологию распределенных реестров,

1 Гарин Леонид Андреевич, главный аналитик данных, ПАО Банк ЗЕНИТ, г Москва, Россия. E-mail: l.garin@zenit.ru

2 Гисин Владимир Борисович, кандидат физико-математических наук, профессор, профессор Департамента математики Финансового университета при Правительстве Российской Федерации, г Москва, Россия. E-mail: vgisin@fa.ru

Рис. 1. Динамика интереса пользователей к кредитам, обеспеченным криптовалютами. Источник — Google Trends, расчет авторов

кредитование может осуществляться между любыми заинтересованными пользователями без участия какого-либо финансового учреждения и обеспечивать лучшие условия для заемщиков и кредиторов.

Применение смарт-контрактов, поддерживаемых децентрализованной сетью, вообще говоря, ускоряет процесс кредитования, снижает накладные расходы и дает определенные гарантии относительно безопасности на основе оценки рисков. В то же время специфика цифровой погруженности вызывает ряд проблем. Например, проблемой является конвертация цифровых токенов для несвязанных сетей распределенных реестров. Еще одной проблемой является оценка (скоринг) заемщиков. В экстремально-цифровом варианте они могут быть представлены лишь своим цифровым профилем (или, вообще, кошельком, как это происходит в сетях блокчейн, не требующих разрешений). Эти две проблемы в некотором смысле полярны.

Решение первой проблемы лежит в области технологий. Ее решение могут обеспечить соответствующим образом разработанные платформы и протоколы взаимодействия. Например, так называемая технология атомарных свопов. Эта технология позволяет проводить кредитование под залог криптовалюты и обеспечивает ликвидность залога в случае дефолта заемщика [3].

Для решения второй проблемы требуется изучить и оценить цифровую версию кредитной истории заемщика. Причем это должно быть сделано в среде, где анонимность и деиндивидуализация считаются одними из главных преимуществ и обеспечиваются сетевыми протоколами. В своей постановке эта проблема, безусловно, родственна проблеме традиционного скоринга, однако специфика криптовалют приводит к появлению целого ряда задач, характерных именно для этого вида залогового кредитования. Решение этих задач позволяет снизить риски, связанные с кредитованием под залог криптовалюты. В настоящей работе приводится описание некоторых из этих задач и подход к их решению на основе методов теории машинного обучения и искусственного интеллекта.

Для получения сравнительно небольших сумм при P2P-кредитовании обеспечение, как правило, не требуется. Для более крупных сумм, может потребоваться залог. В P2P-кредитовании даже при отсутствии залога средняя процентная ставка, как правило, ниже, чем в среднем по стране (для стран БРИКС), но с более короткими сроками погашения, чем при традиционном кредитовании. Используя платформу блокчейн, заемщик может ввести информацию о себе (о проекте), загрузить поддающиеся проверке документы и запросить сумму кредита. Платформы, обеспечивающие P2P-кредитование, используют несколько источников

проверки, чтобы присвоить этому запросу оценку качества, форму кредитного рейтинга. Кредиторы предлагают ставки по процентам и погашению. Как только запрошенная сумма собрана и принята, в игру вступает смарт-контракт. Минимальная процентная ставка платформ, выдающих кредиты под залог криптовалюты, колеблется в промежутке от 1% до 6%. Максимальные процентные ставки для кредиторов — от 9,6% до 21,49%, максимальный LTV (Lifetime Value — прибыль от отношений с клиентом за весь период) платформ — от 50% до 83%. Сроки займов, как правило, находятся в районе полугода, но возможны и займы с более короткими (до 1 месяца) и более длинными (до трех лет) сроками.

Схематично платформу кредитования под залог криптовалюты можно описать следующим образом. Прежде всего, клиент должен зарегистрироваться. Затем он формирует заявку на кредит. Платформа в ответ указывает условия кредита, в частности, объем залога в криптовалюте, и предлагает клиенту предъявить доказательство владения криптовалютой в нужном объеме. После предъявления доказательств платформа производит оценку залога. В эту оценку помимо ликвидности и рыночной стоимости входит оценка вовлеченности в запрещенные виды деятельности (мошенничество, отмывание доходов, финансирование терроризма). На основе проверки принимается решение о выдаче кредита. В случае положительного решения выдача кредита и прием залога оформляются соответствующим смарт-контрактом. Риски кредитора платформа принимает на себя, покрывая убытки кредитора в случае их появления. Заметим, что некоторыми платформами Р2Р-кредитования предусмотрены пользователи-коллекторы, действующие в цифровом пространстве.

Чтобы снизить риск, кредиторам требуется иметь более подробную информацию о заемщике, как пользователе цифровой системы, чем ту, которая представлена в его профиле. Подобная информация может быть получена в результате анализа транзакций заемщика — своеобразной замены кредитной истории. Достаточно полная информация о транзакциях содержится в соответствующих базах данных. Проблема в том, как по транзакциям выявить «подозрительного» заемщика. Та же проблема может возникнуть и у более традиционных институтов кредитования, если в качестве залога выступает криптовалюта.

В настоящей работе приводится описание алгоритма выявления преступных активностей цифрового клиента в сети блокчейн. Исследование находится в русле разработки подозрительных шаблонов поведения, формируемых и анализируемых в течение

уже более, чем десяти лет. В частности, рассматривается задача выявления подозрительных клиентов в сети Биткоин. Основы формирования шаблонов были созданы спецслужбами [4], однако применение предложенных ими методов создателями платформ Р2Р-кредитования, не обеспечивает достаточной эффективности, см. [5]. Сложность анализа транзакций в сети Биткоин объективна и обусловлена отсутствием привязки транзакций к владельцу адреса. Таким образом, метку «подозрительности» должны получать не клиенты сети, а адреса. В работе предложен подход на основе интеллектуального анализа данных. Экспериментальное изучение различных методов анализа данных показало, что наилучший результат дает градиентный бустинг. Качество, сопоставимое и лучшее, чем в наиболее продвинутых исследованиях, достигается здесь при использовании меньшего числа признаков и меньшей глубины агрегации данных, что свидетельствует о надежности и достоверности результатов, ср. [6]. Результатом является оценка меры принадлежности узла к числу отмывочных сервисов, сервисов, связанных с азартными играми, майнинго-выми пулами, обменниками криптовалют. Усредненная метрика качества F1-Score 0.95.

Полученные результаты свидетельствуют о необходимости дальнейшего совершенствования методов скоринга узлов сетей распределенных реестров, основанных на интеллектуальном анализе данных.

Основная цель этой статьи — дать описание применения современных методов машинного обучения для решения проблемы классификации вредоносных бит-койн-адресов на основе данных о транзакциях и продемонстрировать результаты применения этих методов. Основным источником данных для анализа служит набор данных о транзакциях Elliptic Data Set — самый большой массив данных (информация о более, чем 200 тыс. транзакций) для идентификации транзакций, связанных с отмыванием денег с использованием криптовалют. В разделе 1 дается общая постановка проблемы. В разделе 2 обсуждается проблема разметки биткоин-адресов и сбора данных о транзакциях. В разделе 3 приведено описание набора данных Elliptic Data Set и обзор результатов, полученных в моделях на основе данных из Elliptic Data Set. В разделе 4 приведено описание оригинальной технологии подготовки и обработки данных.

1. Криптовалюты и нелегальная финансовая деятельность

Появление криптовалюты Биткоин ознаменовало новую эру криминальных транзакций. Сама по себе

криптовалюта обеспечивает некоторый уровень анонимности, позволяя своим пользователям создавать неограниченное количество кошельков с псевдоним-ными адресами, что затрудняет идентификацию реального пользователя. Это используется преступниками с целью совершения незаконных операций, связанных с отмыванием денег, финансированием терроризма, незаконным оборотом наркотиков и т.д. В то же время Биткоин хранит и предоставляет публично информацию обо всех совершенных транзакциях, что открывает возможности для выявления подозрительных моделей поведения в этой сети с помощью интеллектуального анализа данных. Опубликованный набор данных Elliptic содержит разметку адресов в сети Биткоин и используется исследователями для построения моделей машинного обучения на основе особенностей транзакций. Это позволяет разрабатывать методы контролируемого обучения для решения описанной задачи, и анализировать их эффективность.

Криптовалюта — это «электронная наличность», основанная на электронной записи в открытом децентрализованном распределенном реестре. Криптографические алгоритмы с одной стороны защищают информацию реестра от несанкционированного изменения, с другой — обеспечивают ее доступность участникам — владельцам адресов (узлов, нодов). Принципы работы самой популярной криптовалюты Биткоина были разработаны и представлены в 2008 году [7]. Цель создания биткоина — снизить затраты за счет устранения посредников при совершении транзакций. Подтверждение транзакций осуществляется с использованием алгоритмов консенсуса — согласия сообщества пользователей на запись блока транзакций в реестр.

Биткоин часто используется для подозрительной или преступной деятельности: мошенничества, вымогательства, торговли на черном рынке, а также отмывания денег и финансирования терроризма (ОД/ ФТ). Теоретически Биткоин обеспечивает возможность полностью анонимных транзакций. Для полной анонимизации требуется создавать новый адрес для каждой новой операции и не совершать транзакции более чем с одним отправителем. Однако пользователи, в том числе киберпреступники, часто игнорируют эти правила. Таким образом, становится возможным связывать группы адресов, выявлять подозрительные адреса и транзакции с помощью специальных методов, включая анализ больших данных [8].

Распределенный реестр транзакций может быть представлен в виде ориентированного графа, верши-

нами которого являются адреса кошельков, а ребрами — транзакции. Кроме того, можно присвоить ребрам некоторую дополнительную информацию: сумму транзакции, временную метку, комиссию майнера за включение в блок и т.д. Таким образом, для каждого узла можно собрать его характеристики как вершины графа и использовать их в качестве предикторов в моделях машинного обучения.

В этих условиях перед органами финансового мониторинга многих стран стоит задача выявления описанной выше деятельности. Международная Группа разработки финансовых мер борьбы с отмыванием денег (ФАТФ) регулярно обновляет рекомендации по установлению правового режима идентификации клиентов при операциях с криптовалютами, в частности, требуя соблюдения, так называемого, принципа «Знай своего клиента» (KYC) [9]. Однако предлагаемая юридическая ответственность, связанная с необходимостью идентификации клиента, по-видимому, не в полной мере эффективна из-за экстерриториального принципа Биткоина. В связи с этим становится актуальным изучение существующего опыта применения методов машинного обучения для классификации подозрительных биткоин-адресов на основе характеристик транзакций.

Анализ статей в Google Scholar показывает, что выявление подозрительных закономерностей в сетевых структурах изучалось исследователями из разных стран на протяжении многих лет. Методов выявления сетевых аномалий нашли применение во многих областях: обнаружение мошенничества с кредитными картами [10], кибербезопасность [11], социальные сети [12] и др. Согласно Глобальному обзору экономической преступности за 2016 год [13], операции по отмыванию денег во всем мире оцениваются примерно в 1-2 триллиона долларов США в год. В том же исследовании говорится, что только 50% случаев отмывания денег или финансирования терроризма были выявлены с помощью систем предупреждения. В [14] утверждается, что алгоритмы обнаружения мошенничества (модели борьбы с мошенничеством), используемые в банках, неприменимы к специфике криптовалют. Однако в [15] представлены методы деа-нонимизации пользователей Биткоина, что позволяет запрашивать информацию, непосредственно характеризующую человека, и, соответственно, применять модели, использующие предикторы, основанные на «традиционных» социально-демографических данных.

Одним из классических методов, используемых в разведке правоохранительных органов, является

анализ сетевых подключений для выявления отмывания денег [16]. Распределение связей между узлами, их структура и связность в отдельных подграфах характеризуют сообщества — таким образом, при присвоении ярлыка «незаконный» нескольким членам сообщества он может быть (при определенных предположениях) обобщен на всех участников.

До недавнего времени сеть Биткоин оставалась привлекательной для киберпреступников, поскольку правоохранительные органы сталкивались с трудностями при обнаружении подозрительной активности, идентификации реальных пользователей и получении записей транзакций [17]. Сегодня как правоохранительные органы, так и организации, которым необходимо отслеживать подозрительную активность, разрабатывают и внедряют методологии выявления подозрительных поведенческих моделей на основе характеристик, отслеживаемых в публичной сети Биткоин (см., например [18], где описан подход ФБР США).

2. Сбор меток и данных о транзакциях

Основная проблема с применением методов классификации машинного обучения заключается в том, что адреса в сети Биткоин в их «сыром» виде не размечены в соответствии с принадлежностью к определенной категории. В блокчейне Биткоина нет явной ссылки на владельца адреса. Таким образом, адресные метки, идентифицирующие «честные» или «подозрительные» узлы, должны быть присвоены исследователем или третьей стороной на основе опыта или специальных методов [19].

Имеются сервисы, предоставляющие общедоступные базы данных помеченных адресов.

WalletExplorer. Сервис с помощью автоматического поиска в Интернете идентифицирует адреса и подключает их к кошелькам. Некоторые кошельки помечены тегами, соответствующими сервисам, на которых они были найдены. Есть ярлыки азартных игр, криптовалютных бирж, магазинов даркнета, мошеннических сайтов финансовых пирамид, микширующих сервисов.

BitcoinAbuse. Открытая база данных с отчетами о вредоносном поведении, касающемся конкретных кошельков. Чаще всего пользователи помечают адреса как спам, реже пометки связаны с вымогательством, мошенничеством и другими преступлениями. Хотя информацию от одного конкретного пользователя трудно проверить, можно отфильтровать адреса, по которым были совершены транзакции и/или было подано несколько жалоб.

Эти сервисы имеют интерфейс, который позволяет автоматически собирать статистическую информацию о «честных» и «подозрительных» агентах.

Сбор информации об адресах транзакциях может осуществляться несколькими способами. Первый способ — загрузить полный блокчейн и собрать информацию обо всех транзакциях с помощью парсера. Этот метод требует значительного дискового пространства и навыков синтаксического анализа, но после подготовки позволяет быстро собрать всю информацию, включая данные транзакций, относительно конкретного адреса. Второй способ — использовать внешних поставщиков данных и запрашивать информацию с помощью API (интерфейса программирования приложений). Однако, поскольку количество транзакций по одному адресу может достигать внушительных значений, поставщики API обычно налагают ограничения на число запросов в единицу времени и на число транзакций в одном запросе.

3. Моделирование на основе Elliptic dataset

Набор данных Elliptic dataset [20], содержащий информацию о 203 769 транзакциях был подготовлен частной компанией Elliptic, специализирующейся на защите криптовалютных экосистем от преступной деятельности. Около 2% транзакций помечены как «подозрительные», совершенные подозрительной организацией, такой как мошенники, вредоносные программы, террористические организации, программы-вымогатели, схемы Понци. Около 21% от общего числа транзакций принадлежат легальным пользователям — биржам, поставщикам кошельков, майнерам, легальным сервисам и т.д. Остальные транзакции не-размечены.

Для каждой транзакции известно астрономическое время ее включения в блок и подтверждения сетью Биткоин. В рассматриваемом наборе данных используются 49 временных интервалов, равномерно распределенных на промежутке около двух недель (конкретные даты не указаны). Каждый временной интервал сравнивается с определенным списком связанных транзакций, которые появились в блокчейне менее, чем за 3 часа. Следует отметить, что в наборе нет ребер, соединяющих разные временные шаги.

Для каждого узла набор данных содержит 166 признаков, основанных на информации о самом узле. Следует отметить, что набор содержит адреса и признаки в легендированной форме. Перед публикацией в отношении предикторов были предприняты некоторые действия по обфускации (засекречиванию) ин-

Показатели оценки моделей бинарной классификации

Алгоритм Precision Recall F1-Score

Логит регрессия 0.404 0.593 0.481

Случайный лес 0.956 0.670 0.788

Многослойный персептрон 0.694 0.617 0.653

Сверточная нейронная сеть 0.812 0.512 0.628

Показатели оценки моделей с учетом динамической структуры данных

Алгоритм Precision Recall F1-Score

XGBoost 0.875 0.742 0.803

LightGBM 0.863 0.741 0.797

Random Forest 0.875 0.723 0.792

AXGB — original modification (timestep > 5) 0.813 0.680 0.740

формации: предикторы стандартизированы (среднее значение 0, стандартное отклонение 1), а их имена скрыты. В [20] говорится, что первая группа из 94 предикторов представляет локальную информацию о транзакции, включая временной шаг, количество входов и выходов, плату майнера, сумму входа и некоторые агрегированные значения: средняя сумма и количество входов и выходов транзакции. Вторая группа из 72 предикторов содержит агрегированную информацию о «соседних» транзакциях — на один шаг вперед/назад от основного узла. Агрегирование проводилось путем вычисления минимального, максимального и стандартного отклонения признаков, аналогичных признакам первой группы. В то время как сами данные могут быть использованы для построения классификаторов, обфускация предикторов оставляет открытым вопрос о том, как эти данные фактически используются для идентификации подозрительных адресов в реальной среде.

Проблема, рассматриваемая в работе, может быть сведена к задаче бинарной классификации. В целом задачу можно сформулировать следующим образом.

Имеется множество объектов X (потенциально бесконечное) и множество меток У= . Задана конечная обучающая выборка 5″ сХ*У, являющаяся функциональным отношение на своей области определения. Требуется построить алгоритм вычисления функции а = X^Y, график которой содержит 5.

В [20] проводится бинарная классификация (с s=2) для прогнозирования незаконных транзакций с использованием логит регрессии, случайного леса,

многослойного персептрона и сверточной нейронной сети. Данные были разделены на обучающие и тестовые подмножества с соотношением 70:30. Результаты по тестовому подмножеству показывают преимущество случайного леса (см. таблицу 1). Также предложена концепция инструмента для визуализации производительности модели при перемещении по графу транзакций.

В дальнейшем была сделана попытка улучшить результат за счет настройки гиперпараметров и борьбы с дисбалансом классов набора данных [21].

В [22], также используя Elliptic dataset, авторы предлагают модификацию алгоритма XGBoost, учитывающую динамическую структуру данных. Результаты (см. Таблицу 2) превосходят предыдущее решение, как благодаря новому алгоритму обучения, так и благодаря применяемому методу перебалансировки классов NCL-SMOTE для решения проблемы низкого процента незаконных меток в исходном наборе данных.

Борясь с дисбалансом классов, с недостаточной разметкой, исследователи пытаются «выжать максимум» из данных, предоставляемых Elliptic Dataset. Интересным примером, является работа [23], в которой предлагается использовать активное обучение. Предполагается, что, используя активное обучение, алгоритм способен достичь сопоставимого качества при меньшем количестве помеченных данных по сравнению с классическим обучением под наблюдением -эта предпосылка была экспериментально подтверждена в рассматриваемой работе.

Подводя итоги, можно сделать вывод, что следующие характеристики являются значимыми в моделях классификации подозрительных адресов:

— сумма транзакций (средняя, минимальная, максимальная, медианная, размах);

— количество уникальных кошельков, указанных в отправителях/получателях по транзакции с данным кошельком;

— характеристики адресов, с которыми были транзакции.

Таким образом, задача выявления подозрительной активности в сети Биткоин решается методами интеллектуального анализа данных на основе графовых характеристик узлов (адресов) и связей (транзакций).

4. Технология выявления подозрительных адресов

В проведенном исследовании использован размеченный набор Bitcoin-адресов3, опубликованный на сайте Harvard Dataverse — открытом репозитории Гарвардского университета. В наборе представлена информация о блоках с высотой от 520890 (временная метка 2018-05-02 16:29) до 520910 (2018-05-02 20:06). Путем сбора информации с WalletExplorer, публичных форумов, веб-сайтов конкретных сервисов размечено 8808 адресов для следующих типов узлов (в скобках указано число адресов):

— майнеры (4030)) — пользователи, которые занимаются подтверждением блоков транзакций;

— майнинговые пулы (89) — объединения майне-ров;

— обменники валют (1666) — площадки, предоставляющие возможность купить или продать Bitcoin в обмен на фиатные деньги или другую криптовалюту;

— миксинговые сервисы (800) — площадки, предоставляющие услуги по скрытию транзакций, связанных, как правило, с нелегальной торговлей;

— площадки для приема ставок и азартных игр (911);

— прочие сервисы (1312) — площадки, принимающие Bitcoin в качестве оплаты.

Для сбора информации о транзакциях, связанных с этими адресами, использовались два сервиса — обозревателя блокчейна: BitAps.com, Blockchain.Info. Сначала с помощью BitAps.com выгружались хеши последних

250 транзакций для каждого адреса. Затем для каждой выгруженной на предыдущем шаге транзакции, с сайта Blockchain.Info была получена детальная информация об отправителях, получателях, суммах и прочие данные. Всего было собрано 578809 транзакций.

Собранная информация о транзакциях адреса позволяет построить на ее основе предикторы и далее обучить модели классификации адресов.

Преобразование данных осуществлено на двух уровнях:

— каждая транзакция преобразуется в одномерный набор признаков фиксированной длины;

— для каждого адреса собирается агрегированная информация по транзакциям, в которых адрес принимал участие в качестве отправителя или получателя, и рассчитываются производные предикторы.

Для предикторов оценены распределения их значений для каждого типа адресов. Укажем некоторые характерные черты распределений

Для миксинговых сервисов характерна повышенная комиссия — причем, для майнинговых пулов -пониженная. Майнинговые пулы совершают много coinbase-транзакций, поэтому плотность среднего числа отправителей по адресу сильно смещена влево. Напротив, обменники валют имеют среднее число отправителей больше остальных. Острый пик распределения среднего числа исходящих адресов в транзакциях для миксинговых сервисов говорит о сильной концентрации количества адресов-получателей, медиана составляет два адреса. Видно, что у адресов, принадлежащих обменникам, число как отправителей, так и получателей смещается вправо. Входящие суммы для адресов, принадлежащих миксинговым сервисам, сильно сконцентрированы: медианное значение — 6.69 BTC. Это подтверждает предположение о том, что частое повторение транзакций с одной и той же суммой является маркером подозрительности.

В дальнейшем для практического моделирования воспользуемся свободно распространяемым пакетом машинного обучения scikit-learn для языка программирования Python 3. Во всех моделях использованы гиперпараметры, найденные с помощью случайного поиска по решетке (Random Grid Search из пакета sklearn). Выборка была случайным образом разделена на обучающую и контролирующую для каждого алгоритма в соотношении 80:20.

Испытания проводились на следующих моделях обучения: логистическая регрессия; дерево решений; случайный лес; градиентный бустинг.

Метрики для градиентного бустинга

Тип узла (кол-во) Precision Recall F1-Score

i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

майнеры (18) 0,92 0,97 0,94

майнинговые пулы (18) 1,00 1,00 1,00

обменники (338) 0,92 0,87 0,89

миксинговые сервисы (161) 1,00 0,97 0,98

азартные игры (166) 0,99 0,95 0,97

прочие сервисы (259) 0,97 0,91 0,94

Наилучшие результаты получены при градиентном бустинге (табл. 3).

Отметим, что удалось достичь качества, лучшего, чем в [24], при использовании меньшего числа признаков (38 признаков) и меньшей глубины агрегации данных.

Задача обнаружения подозрительной активности в сети Биткоин может быть решена с достаточно высокой точностью с помощью методов машинного обучения, контролируемых на основе графовых харак-

теристик узлов (адресов) и соединений (транзакций). Наилучшие результаты в определении подозрительных узлов сети Биткоин показывают метод случайного леса и метод градиентного бустинга. Важную роль в построении эффективных систем машинного обучения применительно к рассматриваемой проблеме играет методика выбора гиперпараметров, перебалансировки набора данных и обучения с использованием фреймворка активного обучения. Описанные в работе методы выявления подозрительных узлов могут служить основой практически значимой технологии и быть внедрены в реальные бизнес-процессы.

1. Wang R., Lin Z., Luo H. Blockchain, bank credit and SME financing //Quality & Quantity. 2019. Т. 53. №. 3. С. 1127-1140.

2. Arvanitis S. P2P lending review, analysis and overview of Lendoit blockchain platform //International Journal of Open Information Technologies. 2019. Т. 7. №. 2. С. 94-98.

3. Black M., Liu T., Cai T. Atomic loans: Cryptocurrency debt instruments //arXiv preprint arXiv:1901.05117. 2019. 1-13.

4. Federal Bureau of Investigation. Bitcoin Virtual Currency: Unique Features Present Distinct Challenges for Deterring Illicit Activity. 2012. Available at: http://www.wired.com/images_blogs/threatlevel/2012/05/Bitcoin-FBI.pdf. Последнее обращение 27.05.2022

5. Berg A. The identity, fungibility and anonymity of money //Economic Papers: A journal of applied economics and policy. 2020. Т. 39. №. 2. С. 104-117.

6. Michalski R., Dziubattowska D., Macek P. Revealing the character of nodes in a blockchain with supervised learning //Ieee Access. 2020. Т. 8. С. 109639-109647.

7. Nakamoto, Satoshi. Bitcoin: A peer-to-peer electronic cash system. Manubot, 2019.

8. Zheng B., Zhu, L., Shen M., Du, X., Guizani, M. Identifying the vulnerabilities of bitcoin anonymous mechanism based on address clustering //Science China Information Sciences. — 2020. — Т. 63. — №. 3. — С. 1-15.

9. Alkadri S. Defining and regulating cryptocurrency: fake internet money or legitimate medium of exchange //Duke L. & Tech. Rev. -2018. — Т. 17. — С. 71-98.

10. Belle R. V., Mitrovic S., Weerdt J. D. Representation learning in graphs for credit card fraud detection //Workshop on Mining Data for Financial Applications. — Springer, Cham, 2019. — С. 32-46.

11. Böhm F., Menges F., Pernul G. Graph-based visual analytics for cyber threat intelligence //Cybersecurity. — 2018. — Т. 1. — №. 1. — С. 1-19.

12. Akhtar N., Ahamad M. V. Graph tools for social network analysis //Research Anthology on Digital Transformation, Organizational Change, and the Impact of Remote Work. — IGI Global, 2021. — С. 485-500.

13. Global Economic Crime Survey 2016. PwC 2016. C. 1-56 — URL: https://www.pwc.com/gx/en/economic-crime-survey/pdf/ GlobalEconomicCrimeSurvey2016.pdf (Дата обращения 27.05.2022).

14. Marcin S. I. Bitcoin Live: scalable system for detecting bitcoin network behaviors in real time / ACADEMIA. 2015. С. 1-12

15. ShenTu Q. C., Yu J. P. Research on Anonymization and De-anonymization in the Bitcoin System //arXiv preprint arXiv:1510.07782. -2015. C.1-14.

16. Bolton R. J., Hand D. J. Statistical fraud detection: A review //Quality control and applied statistics. — 2004. — Т. 49. — №. 3. — С. 313-314.

17. Meiklejohn S., Pomarole M., Jordan G., Levchenko K., McCoy D., Voelker G. M., Savage S. A fistful of bitcoins: characterizing payments among men with no names //Proceedings of the 2013 conference on Internet measurement conference. — 2013. — С. 127-140.

18. Federal Bureau of Investigation. Bitcoin Virtual Currency: Unique Features Present Distinct Challenges for Deterring Illicit Activity. [Электронный ресурс] — 2012. Режим доступа: http://www.wired.com/images_blogs/threatlevel/2012/05/Bitcoin-FBI.pdf. Дата доступа 27.05.2022

19. Wang M., Ichijo H., Xiao B. Cryptocurrency address clustering and labeling //arXiv preprint arXiv:2003.13399. — 2020. C.1-7.

20. Weber M., Domeniconi, G., Chen, J., Weidele, D. K. I., Bellei, C., Robinson, T., & Leiserson, C. E. Anti-money laundering in bitcoin: Experimenting with graph convolutional networks for financial forensics //arXiv preprint arXiv:1908.02591. — 2019. C.1-7.

21. Фельдман Е.В., Ручай А.Н., Матвеева В.К., Самсонова В.Д. Модель выявления аномальных транзакций биткоинов на основе машинного обучения // Челябинский физико-математический журнал. 2021. №1. С. 119-132.

22. Vassallo D., Vella V., Ellul J. Application of gradient boosting algorithms for anti-money laundering in cryptocurrencies //SN Computer Science. — 2021. — Т. 2. — №. 3. — С. 1-15.

23. Lorenz J., Silva M. I., Aparicio D., Ascensao J. T., Bizarro P. Machine learning methods to detect money laundering in the Bitcoin blockchain in the presence of label scarcity //Proceedings of the First ACM International Conference on AI in Finance. — 2020. — С. 1-8.

24. Michalski R., Dziubattowska D., Macek P. Revealing the character of nodes in a blockchain with supervised learning //IEEE Access. 2020. Т. 8. С. 109639-109647.

iDENTiFiCATiON OF SUSPiCiOUS BITCOiN NETWORK NODES BY BiG DATA ANALYSiS METHODS

Garin L.A4, Gisin V.B.5

Methods: collecting and analyzing data on addresses and transactions of the Bitcoin network, identification of patterns of illicit activity of addresses, developing and experimental verification of machine learning models aimed at identifying suspicious addresses of the Bitcoin network using related transactions.

Practical relevance: the analysis of common data sets and machine learning models related to the identification of suspicious Bitcoin network addresses was carried out, data on transactions related to a representative set of addresses was collected. Machine learning models have been built to identify suspicious addresses based on the collected information. Experimental approbation of the models was carried out. It is established that the best result is obtained by a model using gradient boosting. This model demonstrates more efficient operation compared to existing analogues.

Keywords: distributed ledger, blockchain, transaction, scoring, machine learning, cryptocurrency, illicit activity.

1. Wang R., Lin Z., Luo H. Blockchain, bank credit and SME financing //Quality & Quantity. 2019. T. 53. №. 3. S. 1127-1140.

2. Arvanitis S. P2P lending review, analysis and overview of Lendoit blockchain platform //International Journal of Open Information Technologies. 2019. T. 7. №. 2. S. 94-98.

3. Black M., Liu T., Cai T. Atomic loans: Cryptocurrency debt instruments //arXiv preprint arXiv:1901.05117. 2019. 1-13.

5. Berg A. The identity, fungibility and anonymity of money //Economic Papers: A journal of applied economics and policy. 2020. T. 39. №. 2. S. 104-117.

6. Michalski R., Dziubattowska D., Macek P. Revealing the character of nodes in a blockchain with supervised learning //Ieee Access. 2020. T. 8. S. 109639-109647.

7. Nakamoto, Satoshi. Bitcoin: A peer-to-peer electronic cash system. Manubot, 2019.

4 Leonid A. Garin, Chief Data Analyst, PJSC Bank ZENIT, Moscow, Russia. E-mail: l.garin@zenit.ru

5 Vladimir B. Gisin, Ph.D., Professor, Professor of the Department of Mathematics, Finance University under the Government of the Russian Federation, Moscow, Russia. E-mail: vgisin@fa.ru

9. Alkadri S. Defining and regulating cryptocurrency: fake internet money or legitimate medium of exchange //Duke L. & Tech. Rev. -2018. — T. 17. — S. 71-98.

11. Böhm F., Menges F., Pernul G. Graph-based visual analytics for cyber threat intelligence //Cybersecurity. — 2018. — T. 1. — №. 1. — S. 1-19.

13. Global Economic Crime Survey 2016. PwC 2016. C. 1-56 — URL: https://www.pwc.com/gx/en/economic-crime-survey/pdf/ GlobalEconomicCrimeSurvey2016.pdf Poslednee obrashhenie 27.05.2022.

14. Marcin S. I. Bitcoin Live: scalable system for detecting bitcoin network behaviors in real time / ACADEMIA. 2015. S. 1-12

15. ShenTu Q. C., Yu J. P. Research on Anonymization and De-anonymization in the Bitcoin System // arXiv preprint arXiv:1510.07782. -2015. C.1-14.

16. Bolton R. J., Hand D. J. Statistical fraud detection: A review //Quality control and applied statistics. — 2004. — T. 49. — №. 3. — S. 313-314.

17. Meiklejohn S., Pomarole M., Jordan G., Levchenko K., McCoy D., Voelker G. M., Savage S. A fistful of bitcoins: characterizing payments among men with no names // Proceedings of the 2013 conference on Internet measurement conference. — 2013. — S. 127-140.

18. Federal Bureau of Investigation. Bitcoin Virtual Currency: Unique Features Present Distinct Challenges for Deterring Illicit Activity. 2012. Available at: http://www.wired.com/images_blogs/threatlevel/2012/05/Bitcoin-FBI.pdf. (Accessed 27.05.2022)

19. Wang M., Ichijo H., Xiao B. Cryptocurrency address clustering and labeling //arXiv preprint arXiv:2003.13399. — 2020. C.1-7.

21. Fel’dman E.V., Ruchaj A.N., Matveeva V.K., Samsonova V.D. Model’ vyjavlenija anomal’nyh tranzakcij bitkoinov na osnove mashinnogo obuchenija // Cheljabinskij fiziko-matematicheskij zhurnal. 2021. №1. S. 119-132.

22. Vassallo D., Vella V., Ellul J. Application of gradient boosting algorithms for anti-money laundering in cryptocurrencies //SN Computer Science. — 2021. — T. 2. — №. 3. — S. 1-15.

24. Michalski R., Dziubattowska D., Macek P. Revealing the character of nodes in a blockchain with supervised learning //IEEE Access. 2020. T. 8. S. 109639-109647.

Всё о блокчейн транзакциях в сети биткоин

Изобретение криптовалюты и введение в обиход биткоинов отдельные экономисты в плане прорыва сравнивают с открытием самого Интернета. И действительно, криптовалюта разрывает все общепризнанные шаблоны совершения сделок, поскольку нивелируется роль центрального управления, в том числе и государства, как главного посредника.

Тот же биткоин становится транснациональной валютой, которая условно не подчиняется эмиссионным центрам. И это очень многим сильным мира сего крайне не нравится, что приводит к агрессивной пропаганде, направленной против криптовалют.СОДЕРЖАНИЕ:

Что такое блокчейн транзакции в сети биткоина?

Для того, чтобы в полной мере понять суть криптовалюты, важно понимать, как совершаются операции с ней, и почему ими управлять, как и контролировать, со стороны невозможно.

Рачительный человек (старательный, усердный, заботливый, разумно бережливый), любая организация, ведущая экономическую деятельность, в той или иной форме ведет регистрацию своих действий. Это может быть какая-то записная книжка, база данных, банальный текстовый документ. Предположим (опять же максимально просто, для понимания):

остаток на начало месяца $12;
получил зарплату 100 долларов;
купил продукты на 25 долларов;
одолжил 15 долларов другу;
получил проценты за долг $2;
купил куртку 24 доллара;
остаток на конец месяца составил $50

Собственно говоря, такого рода запись в определенном формате в отношении транзакции биткоина и называется блокчейном. Соответственно, чтобы посмотреть транзакцию биткоин, необходимо получить доступ к блокчейну (записной книжке).
В отличие от физического носителя или отдельно взятого файла базы данных Blockchain для транзакций биткоин хранится одновременно во многих местах. При этом внесение изменений в bitcoin-транзакции возможны только на определенной временной стадии и после проверки другими пользователями.

Сами транзакции в биткоин кошельках также имеют свои особенности. В частности, под ними понимаются любые разрешенные действия по регулированию прав собственности на криптовалюты. Однако важно понимать, что транзакция в сети биткоин — это не просто сделка двух сторон. После ее формирования информация отправляется в специальный мемпул (распределительный пункт), где дожидается подтверждения и, соответственно, добавления в один из блокчейнов для транзакций биткоинов. Сделано это для исключения воровства криптовалюты.

После согласования всех участников и однозначного одобрения блокчейн помещается в конец существующей цепочки. Далее, узнать информацию о транзакции с биткоинами можно, а вот что-то изменить уже нельзя. При этом данная цепочка обновляется сразу после присоединения нового компонента в базах каждого отдельно взятого пользователя. Этим, собственно говоря, и достигается децентрализация биткоин-транзакции в онлайн режиме.

Как проверить состояние биткоин транзакции?

Как уже отмечалось выше, сделки с криптовалютой совершаются не сразу. Поэтому важно проверять транзакции биткоин самостоятельно, чтобы убедиться, что ваши деньги дошли до адресата.

Существует два статуса транзакции биткоин:

1. Неподтвержденная

В этом случае, она находится в стадии ожидания.

2. Подтвержденная

В этом случае, она уже записывается в блокчейн.
Именно в блокчейне можно найти транзакцию биткоин в любой момент времени в независимости от давности совершения сделки.

Но это в будущем, а как же отследить транзакцию биткоин, которая была совершена недавно. Более того, хотелось бы проверить подтверждение транзакции биткоин? Алгоритм просмотра транзакций биткоин предельно прост и незамысловат (как говорится, все придумали до нас).

1. Существует несколько публичных и открытых ресурсов, где посмотреть транзакции биткоин может любой человек, обладающий необходимой информацией. По сути, там даже регистрироваться не нужно. В первую очередь необходимо выделить два наиболее актуальных: Blockchain.info и Chain.so.

2. В каждом из них есть раздел для поиска транзакции биткоин (INFO). Перейдите на данную вкладку.

3. Для того, чтобы проследить биткоин-транзакцию, вводим в поисковую строку ее хеш. Данная информация предоставляется при проведении операции в любой системе работы с Bitcoin-кошельками.

4. Посмотреть транзакцию биткоин-кошелька.
В представленных данных есть такое понятие как блоки транзакций биткоин. По сути, речь идет о количестве необходимых подтверждений, чтобы сделка считалась завершенной и была помещена в Blockchain. Чем выше сумма, тем больше блоков — от одного до шести, реже используется больше подтверждений.

Понятно, что все эти блоки-подтверждения занимают какое-то время. Но временные жертвы оправданы и обоснованы необходимыми мерами безопасности.

Подтвержденные и неподтвержденные биткоин транзакции

Как мы уже отметили, есть неподтвержденные транзакции биткоин и, соответственно, подтвержденные транзакции биткоин. При этом мы уже четко усвоили, что подтверждение транзакции биткоин занимает определенное время.

К чему все это? Бывают ситуации, когда определенные сделки по тем или иным причинам хотелось бы отменить — все мы люди, которым свойственно ошибаться. Также случаются ситуации, когда не подтверждается транзакция биткоин длительное время по независящим от вас причинам. Это бывает крайне редко, но исключать подобные «глюки» нельзя.

В этой ситуации возникает вполне обоснованный и актуальный вопрос, можно ли отменить транзакцию биткоинов? Сразу необходимо отметить, что прямых и, как говорится, «законных» путей, как отменить транзакцию биткоин, не существует. В этом особенность системы. Разработчики и владельцы криптовалютных платформ активно обсуждают эту тему, но, когда придут к общему знаменателю пока неясно.

Что же делать простому обывателю в буквальном смысле сегодня, чтобы отменить неподтвержденную транзакцию биткоин?

Принцип решения проблемы заключается в создании нового кошелька. Вы должны понимать, что старый номер будет утерян. Это бывает актуально, если вы разместили его где-то для общей информации — на сайте, в чатах, в комментариях, переслали деловому партнеру.

Итак, делаем следующие шаги:

1. Запустите свой кошклек

2. Зайдите в отладочную панель. Проще всего это сделать через Help — Debug window — Console.

3. Найдите приватный ключ. Для этого используется команда dumpprivkey «address».

4. Скопируйте приватный ключ.

5. Закройте приложение.

6. Удалите его полностью (можно переместить, скажем, на флешку для подстраховки).

7. Заново установите, создавая кошелек и используя скопированный приватный ключ.

Данный подход позволяет аннулировать сделку.

Важно понимать, что «провернуть» такой хитрый прием получится только в том случае, если операция еще не подтверждена. Над тем, как отменить транзакцию биткоин в Blockchain после подтверждения, даже задумываться не стоит — это просто нереально.

Скорость транзакций в сети биткоин

Если зависла транзакция биткоин, или ожидание в очереди транзакций биткоин не устраивает стороны сделки, то можно попытаться предпринять определенные действия. Существуют определенные приемы, которые способны существенно ускорить транзакцию биткоин.

1. Если комиссия отчисляется в эквиваленте 2 тысячных BTC, то операции совершаются практически молниеносно. Если сумма перевода значительна, то такая сумма может оказаться вполне разумной платой. Да, она будет выше стандартной, но позволит ускорить транзакцию Bitcoin. Подобного рода «ускоритель» транзакции биткоин не актуален при небольших суммах.

2. При одобрении существует определенный приоритет. Чем больше сумма указана в сделке, тем быстрее она рассматривается. Даже несмотря на увеличение блоков при проверке. Вывод: ускорение транзакции биткоин происходит при переводе больших сумм.

3. Существуют специальные площадки, позволяющие довольно быстро протолкнуть транзакцию биткоин. Они не используют общую сеть для Blockchain, поэтому риски значительно возрастают, но время транзакции биткоин сокращается. Крайне не рекомендуется использовать постоянно этот способ. В конечном счете вы в какой-то момент времени просто потеряете свои деньги. Тем не менее, бывают ситуации, когда выгода от быстро проведенной сделки перекрывают все возможные риски.

Существуют более серьезные и технически сложные приемы того, как ускорить продвижение транзакции биткоин. Как пример, может использоваться мультиподпись. Речь идет о том, что стороны перевода, как отправляющая, так и принимающая, подписывают транзакцию, подтверждая ее легитимность. В результате досконально проверять и анализировать ее не имеет смысла. Такой ускоритель транзакций Bitcoin требует дополнительного программного обеспечения и определенных знаний.

И самое главное, перед тем, как ускорить транзакцию Bitcoin на блокчейн, подумайте, а оно вам надо? Вы повышаете риски потери денег либо платите больше комиссию. Если уж прямо такой срочности нет, может лучше подождать немного?

Стоимость комиссии за совершение транзакции Bitcoin

В данном вопросе существует интересная деталь, которая на первый взгляд может показаться весьма привлекательной для пользователей. Дело в том, что комиссия за транзакцию биткоин устанавливается непосредственно лицом, переводящим криптовалюты, сколько захотел, столько и поставил.

«Вау, практически коммунизм!» — воскликните вы, и будете совершенно неправы. Суть в том, что вы оплачиваете не саму операцию по переводу — она, в конечном счете, все равно закончится. Вы оплачиваете именно скорость совершения перевода. С ростом пользователей сети, как следствие, и самих операций, их подтверждение во многом зависит от приоритета. Если вы поставите в качестве комиссии транзакции Bitcoin ноль или совсем мизер, то можете бесконечно ждать своей очереди. Если же поставите слишком много, то операция пройдет быстро, но вы потеряете дополнительные коины, что также не очень хорошо.

Но как же правильно определиться с суммой. Тут вот в чем вопрос, стоимость транзакции биткоинов — это своеобразная оплата труда майнеров. Если ваша операция предполагается несложной с небольшой суммой, малым количеством блоков при проверке, то и сумма может быть меньше при минимальных временных потерях. Если работы у майнеров много, то и получить за свои труды они хотят соответствующую сумму, иначе ваша транзакция будет ждать в очереди. Вы же сами будете делать в первую очередь ту работу, где больше платят? Почему исполнители в Blockchain должны поступать иначе?

Вот некоторая полезная для размышления и принятия дальнейших решений информация.

1. Если комиссия не превышает 0,0003 BTC, то вероятность быстрого перевода очень невелика. Как правило, в зависимости от других условий, она не превышает 10%.

2. Сумму в размере 0,0004 биткоина можно, пожалуй, считать стандартной, при которой вероятность быстрого попадания в разряд одобренных составляет 50 на 50.

3. При больших суммах перевода лучше всего устанавливать комиссию в размере от 0,002 BTC. Дороговато, безусловно, — зато перевод гарантировано будет быстрым, поскольку таких сделок бывает не так много, и майнеры обрабатывают их в первую очередь.

Заключение

Таким образом, блокчейн — это цепочка транзакций. Конкретно ваша сделка попадет туда только после согласия всех участников сети, то есть прохождения процедуры подтверждения. Несмотря на возможность самостоятельно устанавливать комиссию, лучше этим не злоупотреблять (не жадничайте), иначе контрагент деньги будет ждать очень долго.

Пишите в комментариях, сколько времени в среднем у вас проходят транзакции?

Подписывайтесь на: