比特币:加密货币安全事件频发，如何用机器学习监控项目风险？

原文标题：《硬核丨如何利用机器学习识别加密项目风险？》

撰文：PengtaiXu

翻译：Sherrie

加密货币是一种存在于数字世界的交易媒介，依靠加密技术使交易安全。加密货币背后的技术允许用户直接向他人发送货币，而不需要通过第三方，如银行。为了进行这些交易，用户需要设置一个数字钱包，而不需要提供身份证号码或信用评分等个人细节，因此可以让用户伪匿名。

对于普通的加密货币用户来说，这种匿名性可以让他们放心，因为他们的个人信息或交易数据不会被黑客窃取。然而，这种交易匿名性的提高，也容易被犯罪分子滥用，进行、恐怖融资等非法活动。这种非法活动给区块链钱包用户以及加密货币实体都造成了巨大的损失。虽然金融行动特别工作组等监管机构已经在这些实体的监管中引入了标准化的指导方针，但由于每天都有大量的加密货币实体和交易发生，监控加密货币空间是一项具有挑战性的任务。

迈阿密市长：接受比特币作为总统竞选捐款:8月5日消息，迈阿密市长Francis Suarez在接受采访时表示，接受比特币作为总统竞选捐款，比特币将为财富创造民主化提供机会。Francis Suarez长期支持比特币发展，计划将迈阿密打造成比特币中心，并接受使用比特币付工资，此前其曾发行MiamiCoin（MIA）。[2023/8/5 16:20:03]

解决方案

图片来源：?https://dribbble.com/shots/2723032-Needle-in-a-Haystack

因此，人们有兴趣利用开源信息，例如新闻网站或社交媒体平台，来识别可能的安全漏洞或非法活动。在与LynxAnalytics的合作中，我们已经致力于开发一个自动工具，以刮取开源信息，预测每篇新闻文章的风险分数，并标记出风险文章。这个工具将被整合到?Cylynx平台?中，这是LynxAnalytics开发的一个工具，用于帮助监管机构通过使用各种信息源监控区块链活动。

美法官反对Analisa Torres对Ripple案的初步裁决:金色财经报道，曼哈顿联邦法官Jed Rakoff反对Analisa Torres法官对Ripple案件的初步裁决，Torres此前裁定Ripple Labs没有违反证券法。使XRP在二级平台上可供散户投资者购买，部分原因是购买者不知道他们的资金是流向Ripple还是第三方。

Rakoff法官在周一的命令中表示，他拒绝这种做法。他解释称，根据该裁决的说法，无论买方对利润有何期望，都不能归因于被告的努力，但Howey测试在买方之间没有做出任何区分，这样做是有道理的。购买者直接从被告那里购买代币，或者通过二次转售交易购买这些代币，对于一个理性的个人是否会客观地看待这些代币并没有影响，被告的行为和陈述表明他们承诺通过其努力获得利润。

据悉，Rakoff在Ripple案件审理和部分裁决的同一地区法院担任院长，他还拒绝了Terraform 和Kwon试图撤销SEC指控的其他动议。[2023/8/1 16:10:21]

开源信息的数据获取

Flashbots联合创始人Alex Obadia宣布即将离开公司:金色财经报道，以太坊基础设施服务Flashbots联合创始人Alex Obadia宣布即将离开公司，Alex Obadia称，成立Flashbots是为了对抗MEV提取技术对以太坊的负面影响，我们承诺保护的系统仍然容易受到跨域MEV和独占订单流等现象的中心化影响，最重要的是，随着我们成长为现任者，我们现在还需要保护系统免受我们自己的侵害，以避免成为我们正在与之抗争的那个Moloch。

Alex Obadia称离开公司的原因有很多，其中一些原因比其他原因更私人。[2023/6/21 21:51:00]

我们确定了3类开源数据，这些数据可以提供有价值的信息，帮助检测加密货币领域的可疑活动。这些类别是：

传统的新闻网站，如谷歌新闻，它将报告重大的黑客事件。加密货币专用新闻网站，如Cryptonews和Cointelegraph，它们更有可能报道小型实体和小型安全事件的新闻。社交媒体网站，如Twitter和Reddit，在官方发布黑客新闻之前，加密货币所有者可能会在那里发布有关黑客的消息。

Blur：锁仓量超1.6亿美元创历史新高，即将发布重要公告:金色财经报道，据NFT聚合市场Blur官推披露信息，其平台锁仓量已达到 1.6082亿美元，创下历史新高。此外Blur还表示即将发布重要公告，但目前暂未披露相关信息。今日Blur创始人Pacman宣布拟于下周调整积分系统，但据社区传言重要公告或与新一季代币空投有关。此外，Domus联创Jacky Gekko称，Blur锁仓量上涨和其推出借贷协议Blend有关，Blend正在成为NFT借贷市场的“游戏改变者”。[2023/6/3 11:55:59]

检索文章和社交媒体帖子的内容，然后建立情绪分析模型。该模型为文章中提到的实体分配了一个风险活动的概率。

情绪分析模型

我们尝试了四种不同的自然语言处理工具进行情绪分析，即VADER、Word2Vec、fastText和BERT模型。在通过选定的关键指标对这些模型进行评估后，RoBERTa模型表现最佳，被选为最终模型。

28,821枚ETH从未知钱包转移到Coinbase:金色财经报道，据WhaleAlert数据显示，28,821枚ETH(47,639,516美元)从未知钱包转移到Coinbase。[2023/1/22 11:25:18]

图片来源：?https://www.codemotion.com/magazine/dev-hub/machine-learning-dev/bert-how-google-changed-nlp-and-how-to-benefit-from-this/

RoBERTa模型对新闻文章或社交媒体帖子的文本进行处理，并为特定文本分配一个风险分数。由于该文本在数据收集过程中已经被标记为实体，我们现在已经有了加密实体的相关风险指标。在后期，我们将多个文本的风险分数结合起来，给出一个实体的整体风险分数。

RoBERTa原本是一个使用神经网络结构建立的情感分析模型，我们将最后一层与我们标注的风险分数进行映射，以适应风险评分的环境。为了提高模型在未来文本数据上的通用性，我们进行了几种文本处理方法，即替换实体、删除url和替换hash。然后我们使用这个表现最好的模型进行风险评分。

风险评分

现在，每篇文章都有一个相关的来源，一个风险概率和一个计数，指的是文章被转发、分享或转发的次数。为了将这些风险概率转换为加密货币实体的单一风险得分，我们首先将文章的概率值缩放到0到100的范围内，并获得每个来源的加权平均值，结合文章的风险得分和计数。加权平均数用于对计数较高的文章给予更大的重视，因为份额数量很可能表明文章的相关性或重要性。

在计算出各来源的风险得分后，我们对各来源的风险得分进行加权求和，得到综合得分，公式如下：

传统的新闻来源被赋予了更高的权重，因为这些来源更有可能报道重大的安全漏洞。

该解决方案的有效性

我们在2020年1月1日至2020年10月30日的174个加密货币实体的名单上测试了我们的解决方案，并将结果与该时间段内的已知黑客案例进行了比较。我们发现，我们的风险评分方法表现相当出色，在37个已知的黑客案例中识别了32个。我们还分析了我们的解决方案对单个实体的有效性。下图显示了Binance从2020年1月1日至2020年10月30日的风险评分。虚线红线代表已知的黑客案例。从图中我们观察到，我们的解决方案报告了5个已知黑客中的4个黑客的风险得分增加。也有几个峰值与已知黑客案例不一致。然而，这并不构成一个主要问题，因为对我们的模型来说，更重要的是识别尽可能多的黑客，减少未识别的黑客数量。

有趣的发现

在风险评分过程中，我们注意到，与规模较小的实体相比，规模较大的实体的风险评分往往有较大比例的假阳性记录。这是因为大型实体被谈论得更多，因此会有更多的负面帖子和虚假谣言，从而导致更高的不准确率。

另一个值得强调的有趣趋势是，围绕着黑客攻击通常有几个明显的高峰。这是由于不同数据源的反应时间不同。社交媒体网站Twitter和Reddit通常是第一个看到高风险事件发生时的高峰，因为用户会发帖提出他们观察到的异常情况，比如一个实体的网站在没有事先通知用户的情况下宕机。官方消息一般是在官方声明之后，稍后才会发布。

局限性

我们发现，我们的解决方案有两个潜在的局限性，首先是需要不断地维护收集器。网站设计可能会随着时间的推移而改变，这些网站的刮擦器需要更新，以确保相关信息仍能被检索到，从而达到风险评分的目的。

第二个限制是，验证一篇文章是否已被正确地标记为加密货币实体是具有挑战性的。例如，一篇报道?Bancor?可疑活动的文章可能也会因为一个不相关的事件提到Binance。我们的解决方案会错误地将新闻标记为两个实体，并将Binance标记为风险，即使它不是文本中的关键主题。然而，这并不是一个主要的限制，因为我们只使用新闻文章的标题和摘录来进行风险评分，这通常只包含文章的关键信息。

结语

我们的项目让监管机构可以轻松挖掘开源信息，更好地识别加密货币领域发生的风险事件。我们提供了一个分析文章并预测风险分数的语言模型，以及根据实体和来源信息汇总这些分数的方法。这些方法都被编织成一个可以端到端运行的自动化流水线。将该项目整合到Cylynx平台中，将对其现有功能进行补充，并为监管机构识别高风险加密货币实体提供巨大的帮助。

标签：加密货币ANC比特币ERT加密货币行情走势OROS.finance比特币24小时交易吗Liberta Financial

中币热门资讯