10 Patrones de Intercambios de Criptografía Centralizados Explicados Usando Aprendizaje Automático y Visualización de Datos

Los intercambios criptográficos centralizados son la caja negra más importante del ecosistema criptográfico. Todos los usamos, tenemos una relación de amor-odio con ellos, y entendemos muy poco sobre su comportamiento interno. En IntoTheBlock, hemos estado trabajando en una serie de modelos de aprendizaje de máquinas que nos ayudan a entender mejor el funcionamiento interno de los intercambios de criptografía. Recientemente, presentamos algunos de nuestros hallazgos iniciales en un webinar muy solicitado y pensé que sería más detallado en algunas de las ideas que allí se discuten. El anonimato, los procedimientos no estándar de reconciliación de cadenas de bloqueo y los comportamientos regulares de comercio de lavado son algunos de los factores que desafían la mayoría de los análisis de los intercambios de criptografía centralizados. En un entorno en el que no hay reglas bien establecidas, el aprendizaje automático y la ciencia de datos ofrecen el mejor marco para desvelar algunos de los misterios de los intercambios criptográficos.

Un resumen rápido sobre los intercambios centralizados de Crypto

En artículos anteriores, hemos discutido algunos de los componentes internos de la arquitectura de los intercambios criptográficos centralizados. En esencia, hay cuatro componentes clave que son relevantes en el comportamiento de los intercambios criptográficos centralizados:- Hot Wallets: Las carteras calientes suelen ser el principal punto de interacción entre las partes externas y un intercambio. Las bolsas utilizan este tipo de billeteras para poner un activo a disposición del comercio Billeteras frías: Las bolsas usan billeteras frías como almacenamiento seguro de los activos criptográficos. Este tipo de billeteras suelen contener grandes cantidades de activos que no están destinados a ser negociados con frecuencia – Direcciones de depósito: Las direcciones de depósito son, a menudo temporales, direcciones en cadena utilizadas para transferir fondos a una bolsa. El objetivo de este tipo de dirección es facilitar al usuario el intercambio de flujos de dinero : Las direcciones de retiro son, a menudo temporales, direcciones en cadena que se utilizan para transferir fondos desde la cartera principal de cambio. A veces las direcciones de retiro pueden jugar un papel doble como direcciones de depósito.

Ningún modelo de aprendizaje en una sola máquina tiene las respuestas

Si pensamos en abordar el análisis de los intercambios criptográficos centralizados utilizando el aprendizaje automático tradicional, pensaríamos en diseñar e implementar un modelo que pueda clasificar eficazmente las direcciones específicas como intercambios. Aunque ese concepto parece lógico, ha demostrado ser poco práctico cuando se aplica a los intercambios de cifrado centralizados. Para empezar, el comportamiento de los intercambios criptográficos centralizados es demasiado diverso y complejo para encapsularlo en un único modelo. Además, los intercambios criptográficos centralizados cambian o actualizan constantemente sus procesos en la cadena, lo que supone un reto para la dinámica de aprendizaje de cualquier modelo de aprendizaje automático.

Entrar en Ensemble Learning

Imagine que, en lugar de un único modelo de aprendizaje de máquina, somos capaces de combinar múltiples modelos en una única estructura de conocimiento que puede entender los patrones internos de los intercambios de criptografía centralizados. Diferentes modelos funcionarían mejor para diferentes arquitecturas de intercambios centralizados y todo el grupo debería ser capaz de ser más resistente a los cambios. En la teoría del aprendizaje automático, esto se puede lograr utilizando técnicas conocidas como aprendizaje en conjunto. El objetivo de los algoritmos de conjunto es combinar las predicciones de varios estimadores de base construidos con un algoritmo de aprendizaje dado para mejorar la robustez sobre un solo estimador En el caso de nuestro problema objetivo, una idea interesante sería construir un conjunto de modelos que puedan predecir o clasificar direcciones específicas como billeteras calientes, billeteras frías, depósito o retirada. Seguimos un enfoque similar en la plataforma IntoTheBlock y los resultados han sido increíblemente alentadores.

¿Por qué visualización de datos?

Construir un modelo de conjunto robusto para clasificar los intercambios de criptografía no es suficiente. Para empezar, no hay suficientes conjuntos de datos etiquetados sobre los intercambios criptográficos para formar modelos sofisticados de aprendizaje de máquinas. Además, cada uno de estos modelos tiene en cuenta un gran número de combinaciones de parámetros, lo que dificulta enormemente la interpretación de sus decisiones. Desde esa perspectiva, complementar esos modelos de aprendizaje de máquinas con marcos de visualización de datos robustos puede ayudarnos a comprender mejor las características de los intercambios de criptografía centralizados. En IntoTheBlock, el uso de visualizaciones de datos ha demostrado ser un activo único para entender el comportamiento de los intercambios de cifrado centralizados. Echemos un vistazo a algunas cosas que descubrimos.

10 Patrones de Intercambios Criptográficos Centralizados

No todos los intercambios criptográficos centralizados se crean de la misma manera. La variedad de arquitecturas y patrones de intercambio hace que la clasificación de las direcciones de los intercambios de criptografía y el ejercicio increíblemente desafiante. A continuación, se incluyen algunos de los patrones más comunes que debe conocer: 1)Transacciones de depósito de bajo volumen: Algunas bolsas como Poloniex combinan un pequeño número de direcciones de depósito en una sola transacción de depósito en una billetera a la vista 2) Transacciones de depósito de alto volumen: Otras bolsas como Binance combinan un gran número de fondos de direcciones de depósito en transacciones individuales que van a parar a una cartera caliente. 3)Transacciones de Retiro de Bajo Volumen: Del mismo modo, algunos intercambios estructuran los retiros en un pequeño número de direcciones 4) Transacciones de Retiros de Alto Volumen: Otras bolsas utilizan una sola transacción de retiro para distribuir fondos a un gran número de direcciones 5) Depósitos directos: Algunos intercambios transfieren fondos directamente de las direcciones de depósito a una billetera caliente 6)Direcciones de depósito temporal: Otras bolsas transfieren los fondos de las direcciones de depósito a una dirección temporal antes de que vaya a la billetera caliente de cambio 7)UTXO Patterns: La mecánica de las salidas de transacciones no utilizadas (UTXO) es utilizada constantemente por el intercambio centralizado para estructurar las transacciones 8) Intercambios de billeteras individuales: Algunas bolsas como Binance utilizan una sola cartera caliente para procesar transacciones 9)Dual Hot Wallet Exchanges: Las bolsas como Poloniex utilizan una estructura dual de billetera caliente en la que se utiliza una billetera caliente para recibir depósitos y otra para distribuir retiros 10) Transferencias Multi-Cambio: Algunos intercambios como BitStamp interactúan regularmente con intercambios como Binance para acceder a los fondos. Estos son sólo algunos de los primeros y más obvios patrones que hemos descubierto en nuestros experimentos. La plataforma IntoTheBlock aprovecha gran parte de esta información para crear señales más inteligentes que ayudan a los investigadores y operadores a tomar mejores decisiones. Sin embargo, lo más importante es darse cuenta de que el uso del aprendizaje de la máquina y las visualizaciones de datos pueden realmente ayudar a entender mejor el comportamiento de los intercambios de criptografía sin la necesidad de ninguna información de insight( Revelación: El autor es el CTO de IntoTheBlock)

>

Etiquetas

EthereumCryptocurrencyCiencia de datosAprendizaje en máquina en el bloqueHistorias tecnológicas más recientesIntercambios de criptografía centralizadosHackernoon Top Story