Skupinová analýza bitcoinových peňaženiek: Pokročilé metódy a historický vývoj
Rané štúdie – 2011-2013
Jednou z prvých akademických štúdií, ktoré sa zaoberali problematikou zoskupovania bitcoinových adries, bola práca Fergala Reida a Martina Harrigana s názvom „Analýza anonymity v Bitcoinovom systéme“. Autori v nej skúmali anonymné vlastnosti Bitcoinu a zaviedli pojem „Užívateľská sieť“ na modelovanie vzťahov medzi mincami jedného používateľa na základe heuristiky spoločného vlastníctva vstupov (CIOH). Tento prístup pomohol kriticky preskúmať tvrdenie WikiLeaks, že akceptuje anonymné bitcoinové dary.
Ďalšou významnou prácou bola štúdia „Kvantitatívna analýza kompletného grafu bitcoinových transakcií“ od Dorit Ron a Adiho Shamira. Analýza celého grafu transakcií odhalila zaujímavé vzorce, ktoré mohli byť raným pokusom o obchádzanie CIOH, napríklad nezvyčajné reťazce a štruktúry rozvetvenia a zlúčenia transakcií.
Zmenové výstupy, ktoré sú dnes bežne označované ako „change outputs“, boli prvýkrát formalizované v štúdii „Vyhodnotenie súkromia používateľov v Bitcoine“ od Elli Androulaki a jej kolegov. Táto práca predstavila heuristiku na identifikáciu týchto výstupov, čo umožnilo ich priradenie k vstupom transakcie. Neskoršie práce túto myšlienku rozvíjali a navrhovali rôzne varianty, napríklad identifikáciu zmenových výstupov na základe ich hodnôt vyjadrených v USD.
Empirické výsledky – 2013-2017
V tomto období sa výskum posunul od teoretických modelov k praktickému overovaniu clusteringových heuristík. Napríklad štúdia „Pestré bitcoiny: charakterizácia platieb medzi mužmi bez mien“ od Sarah Meiklejohn a kolektívu skúmala používanie bitcoinových mixerov a testovala heuristiky v reálnom prostredí. Výskumníci definovali presnejšiu heuristiku na identifikáciu zmenových výstupov.
Jonas Nick vo svojej práci „Dátami riadená deanonimizácia v Bitcoine“ overil platnosť CIOH a heuristík na identifikáciu zmenových výstupov pomocou informácií získaných z chyby v implementácii BIP 37 bloom filtrov. Tento únik dát ukázal, že clusteringové heuristiky sú mimoriadne účinné, čo ďalej potvrdila štúdia „Neopodstatnená účinnosť zoskupovania adries“ od Martina Harrigana a Christopha Frettera.
Špeciálnym typom útoku na anonymitu sú tzv. „dust attacks“, pri ktorých útočníci posielajú malé množstvá bitcoinov na už raz použité adresy. Tento spôsob môže viesť k deanonymizácii používateľov, ako ukázala štúdia „Zbierajú sa bitcoiny na prach? Analýza transakcií s nízkymi sumami“ z roku 2023. Hoci táto štúdia poskytla cenné poznatky, analyzované dáta siahajú iba do roku 2017.
Fingerprintovanie peňaženiek – 2021-2024
Fingerprintovanie peňaženiek identifikuje špecifické vzorce v transakčných dátach, ktoré môžu odhaliť použitie konkrétneho softvéru. V posledných rokoch sa tento prístup uplatňuje aj pri zoskupovaní peňaženiek. Napríklad pole nLockTime v transakciách môže odhaliť, či bola transakcia post-dátovaná, čo môže slúžiť ako jeden z fingerprintov.
Významný pokrok v tejto oblasti priniesla práca „Oživenie zoskupovania adries v Bitcoine“ od Malteho Mösera a Arvinda Narayanana. Autori použili fingerprintovanie na vylepšenie identifikácie zmenových výstupov pomocou strojového učenia. Tento prístup následne rozvinuli George Kappos a kolektív v štúdii „Ako rozobrať milión: Validácia a rozšírenie zhlukov Bitcoinu“, ktorá potvrdila, že fingerprintovanie výrazne zvyšuje presnosť clusteringu.
V nedávnej práci „Skúmanie nepotvrdených transakcií pre efektívne zoskupovanie bitcoinových adries“ autori analyzovali vzorce v nepotvrdených transakciách, ako sú správania pri zvyšovaní poplatkov, čo môže slúžiť ako ďalší fingerprint.
Súčasný stav a budúce výzvy
Clusteringové techniky sa za posledných 15 rokov výrazne zlepšili, avšak široké prijatie nástrojov na ochranu súkromia v Bitcoine stále zaostáva. Je dôležité mať na pamäti, že útoky na anonymitu sa neustále vyvíjajú a zlepšujú. Okrem toho, stratou súkromia jedného používateľa sa znižuje anonymita všetkých ostatných, pretože každá úspešná deanonymizácia zmenšuje množinu potenciálnych kandidátov pre ostatné transakcie.
Problémom zostáva aj skutočnosť, že niektoré clusteringové techniky využívajú neverejné informácie, ako sú údaje z KYC (Know Your Customer), ktoré nie sú dostupné pre širokú verejnosť. To značne sťažuje komplexné posúdenie úrovne ochrany súkromia.
Yuval Kogman
