Dans notre dernier article nous avons présenté la pierre angulaire de la mise à l’échelle de l’analyse de la blockchain, des dépenses courantes et de ses pièges. Dans cet article de blog, nous explorerons des méthodes de mise à l’échelle d’analyse de blockchain plus complexes et nouvelles, leurs inconvénients et pourquoi le temps est une caractéristique essentielle de l’analyse de blockchain.
La prédiction de changement est la deuxième heuristique UTXO la plus couramment appliquée. Il vise à prédire quelle adresse de réception est contrôlée par l’expéditeur. Une caractéristique des blockchains UTXO est que lorsque les adresses effectuent des transactions, elles déplacent toutes les sorties. Le montant excédentaire est normalement retourné à l’expéditeur via une adresse de changement.
Considérez la transaction ci-dessous et essayez de repérer l’adresse de changement qui appartient à l’expéditeur :
L’adresse de changement est probablement 374jbPUojy5pbmpjLGk8eS413Az4YyzBq6. Pourquoi? Dans ce cas, la logique de prédiction repose sur le fait que l’adresse ci-dessus est dans le même format d’adresse que les adresses d’entrée (format P2SH, où les adresses de l’expéditeur commencent par un « 3 »).
Entre autres facteurs, les montants arrondis (c’est-à-dire 0,05 ou 0,1 BTC) sont souvent reconnus comme l’envoi réel, le reste étant redirigé vers l’adresse de changement. Cela suggère que la prédiction du changement repose non seulement sur des indicateurs techniques, mais également sur des éléments du comportement humain, comme notre affinité pour les nombres arrondis.
Naturellement, une logique de prédiction de changement plus libérale qui prend en compte plusieurs variables en faveur d’un résultat souhaité peut potentiellement conduire à une mauvaise attribution et à un mauvais regroupement. En particulier, les outils d’analyse de la blockchain peuvent tomber par inadvertance dans le piège de la prédiction de changement non supervisée – c’est pourquoi il est essentiel que les enquêteurs de la blockchain soient conscients des limites posées par cette approche.
Prenons un exemple plus difficile :
Nous avons des adresses héritées (commençant par un « 1 ») qui envoient à deux autres adresses héritées. Alors, laquelle est l’adresse de changement ?
La meilleure façon de déterminer quelle adresse est l’adresse de changement est de regarder comment chaque adresse dépense BTC. Habituellement, les adresses de sortie recevant des montants arrondis ne sont pas des adresses de changement – mais cela peut être faux. Plaçons donc simplement notre pari sur cette dernière adresse de sortie :
1Hs6XkSpuLguqaiKwYULH4VZ9cEkHMbsRJ — sa prochaine transction est la suivante :
À première vue, cela ressemble au modèle que nous avons vu lors d’une transaction précédente. Le seul aspect qui ressort est une baisse significative des frais.
En regardant une deuxième adresse de sortie – 12Y8szPTeVzupEfe5RXs84fRsJJZBVhTgG – nous voyons que sa prochaine transaction est distincte de la transaction qu’elle a effectuée précédemment :
Les frais semblent également faibles par rapport à notre transaction initiale. Et nous remarquons que les prochaines transactions de nos deux adresses de sortie impliquent l’original 1Hs6XkSpuLguqaiKwYULH4VZ9cEkHMbsRJ adresse dans leurs sorties. Après la prochaine transaction de l’adresse, nous arrivons à la sortie de la prochaine transaction de #1.
Pour simplifier, visualisons :
Les losanges dans le graphique ci-dessus représentent les transactions, tandis que les cercles représentent les adresses. Notez que l’adresse d’entrée 15sMm6Rkf9hzz6ZtrrdhxdWZ8jGW12gQ93 est utilisée dans une transaction avec 12Y8szPTeVzupEfe5RXs84fRsJJZBVhTgG. Par conséquent, l’adresse de sortie #2 est en fait notre adresse de modification !
Cet exemple illustre à quel point la prédiction des changements peut devenir compliquée et conduire à des résultats erronés.
Les entités qui tentent de préserver la confidentialité dans des blockchains très publiques, telles que les échanges et les marchés sombres, peuvent faire tout leur possible pour créer leur propre infrastructure de portefeuille, ce qui rend difficile pour les enquêteurs de la blockchain d’identifier leur fonctionnement. Dans ces cas, les sociétés d’analyse de blockchain créeront des heuristiques sur mesure pour ces entités particulières.
Pourtant, aucune heuristique n’est infaillible. Les paramètres et les limites de l’analyse de la blockchain dépendent du degré de restriction de la portée – ou de la marge d’interprétation laissée. Une approche conservatrice dicterait de ne rien attribuer qui ne puisse être déterminé avec une certitude proche de 100 % ; une approche libérale permettrait une attribution plus large, au prix d’une augmentation de la marge d’erreur potentielle.
Cela s’applique également à toute heuristique sur mesure construite avec des entités de blockchain spécifiques à l’esprit. Ceci est bien illustré par l’exemple de coinjoin Wasabi mentionné ci-dessus. Bien que la transaction en question appartienne très probablement au portefeuille Wasabi, nous devons nous demander ce que cette transaction affiche :
Très probablement, cette transaction affiche des adresses Wasabi en commun avec les adresses d’autres utilisateurs. À mesure que la complexité augmente, la précision de l’attribution diminue, surtout si l’on considère qu’un utilisateur peut posséder une ou plusieurs adresses dans cette transaction.
Chaque outil d’analyse de blockchain aura un ensemble différent de paramètres et s’appuiera sur différentes heuristiques. C’est pourquoi les différences entre les clusters affichés par divers outils sont si courantes – par exemple, le cluster SilkRoad aura à chaque fois un aspect différent, selon le logiciel d’analyse de blockchain utilisé pour effectuer son analyse.
En fait, même avec seulement comonspend appliqué, nous voyons comment les explorateurs de blocs CryptoID et WalletExplorer affichent tous deux des tailles différentes du cluster Local Bitcoins.
Einstein admirerait probablement les blockchains, car elles sont l’un des rares exemples où l’avenir peut changer le passé, du moins du point de vue de l’attribution. Par exemple, 14FUfzAjb91i7HsvuDGwjuStwhoaWLpGbh a reçu diverses transactions d’un fournisseur de services P2P entre août et mi-septembre 2021. On pourrait donc penser que cette adresse pourrait appartenir à un portefeuille non hébergé.
Mais si nous vérifions cette adresse quelques jours plus tard, le 30 septembre 3021, nous remarquons soudainement qu’elle a été étiquetée comme Unicc, un magasin de cartes. Qu’est-il arrivé? Cette adresse a été utilisée 15 jours plus tard avec une adresse que nous savions déjà appartenir à Unicc, ce qui en fait une partie du cluster Unicc.
Il s’agit d’un exemple simple, mais vous pouvez imaginer du point de vue de la conformité et de l’intelligence du marché que ces attributions après coup peuvent avoir des effets d’entraînement.
L’analyse de la blockchain est un domaine d’expertise de plus en plus complexe. Ce n’est pas aussi simple qu’il y paraît et la difficulté est aggravée par le fait que les conclusions sont tirées non seulement de la blockchain, mais aussi de sources externes souvent ambiguës.
Il n’est pas possible d’appeler la science de l’analyse de la blockchain – après tout, les expériences scientifiques peuvent être reproduites par des parties indépendantes qui, en suivant une méthodologie scientifique définie, arriveront aux mêmes conclusions. Dans l’analyse de la blockchain, même la vérité terrain peut avoir plusieurs façades, significations et interprétations.
La certitude d’attribution est presque rare et comme plusieurs parties s’appuient sur différents outils pour effectuer le suivi des transactions sur les chaînes de blocs, cela peut parfois donner des résultats radicalement différents. C’est pourquoi les efforts pédagogiques dans ce domaine doivent continuellement souligner que même les méthodologies les plus robustes et les plus outillées sont sujettes aux erreurs.
Rien n’est infaillible – après tout, l’analyse de la blockchain est plus un art qu’une science.