Российские ученые предложили методику визуализации блокчейна для поиска доказательств совершения преступлений
В МТУСИ разработали методику визуализации блокчейна сети биткоин для поиска доказательств свершения преступлений. Особенность исследования заключается в разработке новых подходов к анализу данных о транзакциях в блокчейнах, которые позволяют визуализировать и анализировать потоки средств, выявлять взаимосвязи между участниками сети и особенности структуры данных.
В эпоху цифровых технологий криптовалюты завоевали популярность как инструмент для инвестиций и финансовых операций. Однако с ростом их использования возросло и количество связанных с ними преступлений.
Особое внимание уделяется биткоину — пиринговой платежной системе, использующей одноименную единицу для учета операций. Как и любая другая платежная система, биткоин может быть использован для различных противоправных действий, таких как мошенничество, финансирование терроризма и отмывание денег. Примечательно, что активность транзакций в биткоинах обычно выше, чем в других криптовалютах, за исключением Ethereum. Именно поэтому эта платежная система привлекает особое внимание правоохранительных органов и экспертов по кибербезопасности.
Одним из эффективных инструментов для выявления и анализа противоправных действий в криптовалютном пространстве является визуализация блокчейна, которая позволяет наглядно представить сложные структуры данных и выявить взаимосвязи между различными транзакциями.
В МТУСИ разработали методику визуализации блокчейна сети биткоин для поиска доказательств свершения преступлений. Над методикой работали: Ванюшина Анна Вячеславовна — кандидат технических наук, доцент кафедры «Информационная безопасность» МТУСИ; Осин Андрей Владимирович — кандидат технических наук, доцент кафедры «Информационная безопасность» МТУСИ и Киямов Марат Мулланурович — магистрант кафедры «Информационная безопасность» МТУСИ.
Особенность исследования заключается в разработке новых подходов к анализу данных о транзакциях в блокчейнах, которые позволяют визуализировать и анализировать потоки средств, выявлять взаимосвязи между участниками сети и особенности структуры данных. Одним из множества видов визуализации данных в области компьютерных наук является визуализация графов.
«Некоторые реализации блокчейна используют графовую структуру для хранения транзакций вместо цепочки блоков, где узлы представляют адреса (от учетной записи и к учетной записи), а ребра — сами транзакции (суммы переводов). Визуализация графов позволяет наглядно показать, как активы передаются от одной учетной записи к другой в блокчейне-поставок и достичь более высокой производительности и масштабируемости» — пояснила Анна Вячеславовна.
«Направленный ациклический граф (DAG) и блокчейн имеют некоторое сходство, оба используются для представления процессов хранения данных и выполнения транзакций. Поэтому использование DAG помогает повысить качество и интерпретируемость при визуализации, а, следовательно, помогает при проведении расследований преступлений, связанных с применением платежей в криптовалюте», — отметил Андрей Владимирович.
Для построения графов были разработаны новые алгоритмы, основанные на различных деталях записей о транзакциях. Были предложены модели графов, которые содержат вершины и направленные ребра, соединяющие исходные и целевые точки с различными отношениями.
1. Граф транзакций биткоин-транзакции, который показывает связи между транзакциями и их входами-выходами.
2. Граф адресов, который представляет связи между адресами кошельков в сети биткоина.
3. Граф потока средств, который показывает движение средств между двумя внешне управляемыми счетами (EOA) в блокчейне.
Методы построения графов были протестированы на фактических данных сетей Bitcoin и Ethereum.
«Для оценки использовались транзакционные данные Bitcoin, загруженные из ядра Bitcoin. Мы установили локальный узел Bitcoin и собрали около 25,7 МБ данных, включая 46 700 блоков и соответствующие транзакции. Данные Ethereum были загружены из набора данных Ethereum XBlock pro (блоки, транзакции, информация о контрактах и вызовах, ERC20 и ERC721). Данные, загруженные из ядра Bitcoin, представлены в бинарном формате (.bat), так как они не могут быть использованы непосредственно для построения графов. Мы использовали Bitcoin ETL, библиотеку на основе Python, для преобразования бинарных данных в сжатый формат JSON. Файлы JSON были загружены, и необходимые характеристики были извлечены. Затем графы были построены с применением алгоритмов и загружены в графовую базу данных Neo4j для визуализации», — рассказал Марат Мулланурович.
В результате исследования предлагается обобщенный алгоритм построения графов для анализа транзакций в сети блокчейн:
1. Сбор данных о транзакциях из выбранного блокчейн-эксплорера.
2. Инициализация графа, которая заключается в создании пустого ориентированного графа для анализа.
3. Добавление вершин (узлов) для каждого элемента, который необходимо проанализировать (например, транзакции, адреса кошельков или счета).
4. Добавление ребер (связи) для каждой транзакции или элемента данных между соответствующими вершинами в графе. Для этого необходимо проанализировать входы и выходы транзакций или связи между адресами кошельков и счетами.
5. Проанализировать полученный граф для выявления связей и паттернов. Для визуализации графа можно использовать библиотеки для работы с графами, такие как NetworkX для Python.
6. Дополнительные шаги (в зависимости от типа графа):
— Для графа транзакций: можно добавить веса ребер (например, сумму транзакции) или метки вершин (например, идентификатор отправителя или получателя).
— Для графа адресов: можно добавить информацию о количестве транзакций между каждым адресом или о сумме транзакций между ними.
— Для графа потока средств: можно добавить метки ребер (например, дату транзакции) или информацию о количестве переданных средств.
Этот алгоритм можно адаптировать для построения различных графов в сети блокчейн в зависимости от целей анализа.
Исследование показало, что визуализация блокчейна является эффективным инструментом для борьбы с преступной деятельностью.
Результаты исследования могут быть использованы для разработки новых инструментов и платформ, которые помогут в борьбе с преступной деятельностью и улучшении безопасности блокчейн-систем.
Telegram 
Дзен 
VK 
