Моделирование процесса кластеризации адресов в блокчейне на основе байесовской оптимизации весов эвристик

В статье рассматривается задача кластеризации адресов в блокчейне – ключевой метод криптовалютной форензики, используемый при расследовании преступлений с цифровыми активами. Предложен подход к комбинированию трех эвристик кластеризации: множественного входа (Multi-Input Heuristic, MIH), адреса сдачи (Change Address Heuristic, CAH) и временных паттернов (Temporal Pattern Heuristic, TPH). Для комбинирования используется взвешенное голосование, а для подбора весовых коэффициентов и порога объединения применяется байесовская оптимизация с гауссовским процессом в качестве суррогатной модели и функцией сбора ожидаемого улучшения (Expected Improvement). Формализована математическая модель кластеризации с использованием AT-графов, A-графов и E-графов, описаны этапы перехода от графа транзакций к графу сущностей. Проведены три эксперимента на реальных данных из датасета maltemoeser. В первом эксперименте (500 транзакций, 1562 адреса) комбинирование эвристик позволило достичь значения F1-меры (гармоническое среднее между точностью и полнотой) 0,9284, что соответствует уровню наилучшей отдельной эвристики (CAH: 0,9284). Во втором эксперименте (775 транзакций, 2850 адресов) получен F1 = 0,8251, что превышает показатели отдельных эвристик (MIH: 0,8151, CAH: 0,8184, TPH: 0,0838). В третьем эксперименте (990 транзакций, 3445 адресов) получен F1 = 0,8146, что также превышает показатели отдельных эвристик. Результаты экспериментов свидетельствуют в пользу наличия синергетического эффекта предлагаемого подхода. Комбинирование в ряде случаев позволяет частично компенсировать недостатки отдельных эвристик и достичь более высокого качества кластеризации. Изменение структуры данных при увеличении объема выборки приводит к перераспределению весов эвристик, что отражает адаптивность предлагаемого метода. Обоснована практическая применимость метода в реальных расследованиях: эталонная разметка требуется только на этапе калибровки, после чего веса фиксируются для применения на новых данных. Проведен сравнительный анализ с альтернативными подходами машинного обучения.

1. Тисен О.Н. Механизм совершения преступлений с использованием криптовалют: по результатам анализа следственной и судебной практики. Российский следователь. 2024;(5):7–11. https://doi.org/10.18572/1812-3783-2024-5-7-11

2. Harrigan M., Fretter Ch. The Unreasonable Effectiveness of Address Clustering. In: 2016 Intl IEEE Conferences on Ubiquitous Intelligence & Computing, Advanced and Trusted Computing, Scalable Computing and Communications, Cloud and Big Data Computing, Internet of People, and Smart World Congress, 18–21 July 2016, Toulouse, France. IEEE; 2016. P. 368–373. https://doi.org/10.1109/UIC-ATC-ScalCom-CBDCom-IoP-SmartWorld.2016.0071

3. Möser M., Narayanan A. Resurrecting Address Clustering in Bitcoin. In: Financial Cryptography and Data Security: 26th International Conference (FC 2022), 02–06 May 2022, Grenada. Cham: Springer; 2022. P. 386–403. https://doi.org/10.1007/978-3-031-18283-9_19

4. Caringella M., Violante F., De Lucci F., Galantucci S., Costantini M. BACH: A Tool for Analyzing Blockchain Transactions Using Address Clustering Heuristics. Information. 2024;15(10):589. https://doi.org/10.3390/info15100589

5. Liu F., Li Zh., Jia K., et al. Bitcoin Address Clustering Based on Change Address Improvement. IEEE Transactions on Computational Social Systems. 2024;11(6):8094–8105. https://doi.org/10.1109/TCSS.2023.3239031

6. Rasmussen C.E., Williams Ch.K.I. Gaussian Processes for Machine Learning. Cambridge: MIT Press; 2005. 272 p. https://doi.org/10.7551/mitpress/3206.001.0001

7. Shahriari B., Swersky K., Wang Z., Adams R.P., de Freitas N. Taking the human out of the loop: a review of Bayesian optimization. Proceedings of the IEEE. 2016;104(1):148–175. https://doi.org/10.1109/JPROC.2015.2494218

8. Kamuhanda D., Cui M., Tessone C.J. Illegal Community Detection in Bitcoin Transaction Networks. Entropy. 2023;25(7):1069. https://doi.org/10.3390/e25071069

9. Huang Zh., Huang Y., Qian P., Chen J., He Q. Demystifying Bitcoin address behavior via graph neural networks. In: 2023 IEEE 39th International Conference on Data Engineering (ICDE), 03–07 April 2023, Anaheim, CA, USA. IEEE; 2023. P. 1747–1760. https://doi.org/10.1109/ICDE55515.2023.00137

10. Schnoering H., Vazirgiannis M. Bitcoin research with a transaction graph dataset. Scientific Data. 2025;12(1):404. https://doi.org/10.1038/s41597-025-04684-8