11 décembre 2024
Résumé de l’article
Bitcoin est la cryptomonnaie la plus connue et dominante sur le marché, grâce à son caractère pseudo-anonyme, qui permet de protéger l’identité de ses utilisateurs. Bien que des recherches existent pour tenter de dé-anonymiser les utilisateurs du réseau, des techniques comme CoinJoin ont été développées pour contourner ces efforts. CoinJoin permet à plusieurs utilisateurs de regrouper leurs transactions en une seule [1], rendant plus complexe le traçage des flux financiers et renforçant l’anonymat. Toutefois, cette méthode ouvre la porte à des activités illicites en exploitant ce niveau accru de confidentialité. Face à ce défi, notre travail de recherche vise à développer un système permettant d'identifier ces transactions CoinJoin en utilisant des techniques d’apprentissage automatique.
Transactions CoinJoin
Bitcoin est la cryptomonnaie la plus répandue sur le marché, représentant environ 54 % de la valeur totale des cryptomonnaies [2]. Un aspect clé de sa popularité réside dans l'anonymat qu'elle offre à ses utilisateurs. Ceux-ci sont identifiés par des adresses cryptographiques et les transactions sont validées via un processus décentralisé appelé « preuve de travail ».
Pour contourner les tentatives d'identifier les utilisateurs dans le réseau Bitcoin, des techniques comme CoinJoin ont été développées, combinant plusieurs transactions en une seule pour compliquer leur traçabilité. Ce service a été par la suite exploité et utilisé pour des activités frauduleuses et illégales. Notre recherche a pour but de détecter ces transactions CoinJoin, afin d’identifier les flux financiers suspects sans compromettre la confidentialité légitime des utilisateurs. Les études existantes souffrent de limites, notamment en matière de gestion des données déséquilibrées et non étiquetées, ainsi que de l’absence d’analyses historiques. Pour pallier ces problèmes, nous retraçons les transactions jusqu'à leur origine, optimisons les algorithmes d’apprentissage machine avec l'outil OPTUNA, et améliorons ainsi la détection des transactions suspectes.
Détection des transactions CoinJoin
Nous avons utilisé des techniques d'apprentissage automatique pour développer un système capable de détecter les transactions de manière plus précise et efficace que les méthodes actuelles. Pour ce faire, nous avons d'abord collecté des informations sur les transactions Bitcoin directement à partir d’un nœud complet, ce qui nous a permis de suivre l'historique des transactions et d'extraire les données nécessaires grâce à un script que nous avons développé. Ensuite, nous avons nettoyé ces données pour enlever ce qui n'était pas utile et les avons formatées pour pouvoir les analyser Puis, nous avons déterminé les éléments importants qui aident à mieux comprendre ces transactions. Nous avons réalisé une analyse pour ne garder que les éléments les plus utiles, ce qui a amélioré la performance de notre système.
Nous avons ensuite divisé les données en deux groupes : 80 % pour entraîner notre système et 20 % pour tester ses performances. Cela permet de s'assurer qu'il apprend bien et peut être utilisé pour de nouvelles données. Pour optimiser notre système, nous avons utilisé un outil appelé Optuna, qui nous aide à choisir les réglages pour obtenir les meilleurs résultats. Nous avons évalué l’efficacité des modèles à l’aide de plusieurs indicateurs, notamment la précision, le rappel et le score F1, afin de mesurer leur capacité à identifier correctement les transactions. Enfin, nous avons utilisé un logiciel appelé Neo4j pour créer des graphiques qui montrent visuellement les transactions suspectes, ce qui aide à repérer les comportements inhabituels.
Cette figure présente le diagramme de flux décrivant les différentes étapes de notre système de détection des transactions Bitcoin mixées.
Optimisation des paramètres avec Optuna
Dans notre étude, un de nos objectifs était de voir comment l'ajustement des paramètres de nos modèles pouvait améliorer leurs performances. Pour cela, nous avons utilisé un outil appelé Optuna, qui aide à trouver les meilleurs réglages pour rendre les modèles plus efficaces. D'autres outils existent, comme Auto-sklearn ou TPOT, mais Optuna se distingue par sa rapidité, sa simplicité d'utilisation et sa bonne performance, même avec de grandes quantités de données.
Nous avons d'abord testé des modèles de référence sans optimisation. Ces modèles ont servi de point de comparaison pour mesurer les améliorations apportées par l'optimisation avec Optuna. Avant d’ajuster les paramètres, les résultats des modèles variaient, cependant, après avoir utilisé Optuna pour affiner les réglages, nous avons constaté une amélioration notable de tous les indicateurs de performance. L’un des résultats les plus marquants est que notre système a réussi à détecter toutes les transactions CoinJoin sans aucun « faux négatif ». Un faux négatif est une situation où le modèle échoue à identifier une transaction CoinJoin et la classe à tort comme une transaction normale, ce qui peut poser un risque important pour les organismes financiers. Nos résultats soulignent donc l'importance d'optimiser les paramètres des modèles pour mieux détecter les transactions douteuses et éviter des erreurs critiques.
Cette figure montre les résultats de comparaison des performances de différents modèles de machine Learning avant et après optimisation avec Optuna.
Analyse approfondie des transactions CoinJoin à l'aide de graphes Neo4j
Nous avons analysé en détail les transactions CoinJoin en les représentant sous forme de graphiques avec l'outil Neo4j. Chaque transaction est visualisée comme un « nœud », et les liens entre les entrées et les sorties sont représentés par des « connexions » entre ces nœuds. Cela permet de voir comment les transactions sont liées entre elles et de repérer des schémas. Pour une transaction, nous pouvons retrouver toutes les transactions associées jusqu'à un certain niveau. Chaque nœud contient des informations comme le nombre d'entrées et de sorties, le montant de Bitcoin, et le type d'adresse. Par exemple, dans une transaction CoinJoin, on peut observer un schéma avec 5 entrées et 5 sorties, ce qui est typique de ce type de transaction.
Cette figure illustre le schéma spécifique de 5 entrées et 5 sorties pour les transactions CoinJoin de Samourai Whirlpool.
Conclusion
Notre système pourrait offrir aux institutions financières, aux plateformes de cryptomonnaies et aux régulateurs des outils performants pour surveiller plus efficacement les flux financiers sur les chaînes de blocs et détecter les comportements frauduleux. Cela contribuerait à renforcer la transparence dans l'écosystème des cryptomonnaies tout en préservant la confidentialité des utilisateurs légitimes.
Information supplémentaire
Pour plus de détails sur cette recherche, consulter l’article suivant :
O. Dekhil, R. T. Naha, M. M. Feridani,F. Najjar and K. Zhang, "Detecting Bitcoin CoinJoin Transactions Using Machine Learning," 2024 IEEE Blockchain Computing and Applications (BCCA)
Références
- F. K. Maurer, T. Neudecker and M. Florian, "Anonymous CoinJoin Transactions with Arbitrary Values," 2017 IEEE Trustcom/BigDataSE/ICESS, Sydney, NSW, Australia, 2017, pp. 522-529, doi: 10.1109/Trustcom/BigDataSE/ICESS.2017.280. keywords: {Bitcoin;Joining processes;Delays;Public key;Telematics;Peer-to-peer computing},
- https://coincodex.com/bitcoin-...
For additional information on APA Style formatting, please consult the APA Style Manual, 7th Edition.
