Cryptomonnaie

Explication de 10 modèles d'échanges cryptographiques centralisés à l'aide de l'apprentissage automatique et de la visualisation de données

Explication de 10 modèles d'échanges cryptographiques centralisés à l'aide de l'apprentissage automatique et de la visualisation de données


1*9hmRpqiPP9vEjlGS2AJnaw - Explication de 10 modèles d'échanges cryptographiques centralisés à l'aide de l'apprentissage automatique et de la visualisation de données

Les échanges cryptographiques centralisés constituent la boîte noire la plus importante de l'écosystème cryptographique. Nous les utilisons tous, nous entretenons avec eux une relation d’amour et de haine et nous comprenons très peu leur comportement interne. À IntoTheBlock, nous avons travaillé sans relâche sur une série de modèles d’apprentissage automatique qui nous aident à mieux comprendre l’interne des échanges cryptographiques. Récemment, nous avons présenté certaines de nos premières conclusions lors d’un webinaire très surabonné et j’ai pensé que cela serait développé plus avant dans certaines des idées discutées ici.

Plusieurs facteurs contribuent à la difficulté de comprendre le comportement des échanges cryptographiques centralisés. L'anonymat, les procédures de rapprochement des chaînes de blocs non standard et les comportements habituels de négociation en lavage sont quelques-uns des facteurs qui remettent en cause la plupart des analyses d'échanges cryptés centralisés. Dans un environnement où les règles ne sont pas bien établies, l'apprentissage automatique et la science des données constituent le meilleur cadre pour résoudre certains des mystères des échanges cryptographiques.

Dans des articles précédents, nous avons abordé certains des composants internes de l’architecture des échanges cryptés centralisés. En substance, il existe quatre composants clés pertinents dans le comportement des échanges cryptés centralisés:

· Portefeuilles Chauds: Les portefeuilles chauds sont généralement le principal point d’interaction entre des parties externes et un échange. Les bourses utilisent ce type de portefeuilles pour rendre un actif disponible à la négociation.

· Portefeuilles froids: Les échanges utilisent des portefeuilles froids en tant que stockage sécurisé d'actifs cryptographiques. Ce type de portefeuille contient généralement de plus grandes quantités d’actifs qui ne sont pas destinés à être négociés fréquemment.

· Adresses de dépôt: Les adresses de dépôt sont souvent des adresses temporaires dans la chaîne utilisées pour transférer des fonds dans un échange. L'objectif de ce type d'adresse est de permettre aux utilisateurs d'échanger des flux d'argent.

· Adresses de retrait: Les adresses de retrait sont souvent des adresses temporaires, en chaîne, utilisées pour transférer des fonds hors du porte-monnaie principal. Parfois, les adresses de retrait peuvent jouer un double rôle en tant qu’adresses de dépôt.

Si nous pensons aborder l'analyse des échanges cryptographiques centralisés à l'aide de l'apprentissage automatique traditionnel, nous envisagerions de concevoir et de mettre en œuvre un modèle capable de classer efficacement des adresses spécifiques en tant qu'échanges. Bien que ce concept semble logique, il s’est avéré peu pratique s’il s’appliquait aux échanges cryptographiques centralisés. Pour commencer, le comportement des échanges cryptés centralisés est trop divers et complexe pour être encapsulé dans un seul modèle. De plus, les échanges cryptographiques centralisés modifient ou mettent à jour en permanence leurs processus en chaîne, ce qui pose un défi pour la dynamique d'apprentissage de tout modèle d'apprentissage automatique.

Entrer en apprentissage ensemble

Imaginons qu'au lieu d'un modèle d'apprentissage machine unique, nous puissions combiner plusieurs modèles en une structure de connaissances unique capable de comprendre les modèles internes des échanges cryptographiques centralisés. Différents modèles fonctionneraient mieux pour différentes architectures d’échanges centralisés et l’ensemble du groupe devrait être plus résilient face aux changements. Dans la théorie de l'apprentissage automatique, cela peut être accompli à l'aide de techniques appelées apprentissage d'ensemble.

Conceptuellement, les modèles d'ensemble dans l'apprentissage automatique associent les décisions de plusieurs modèles pour améliorer les performances globales. Le but des algorithmes d'ensemble est de combiner les prédictions de plusieurs estimateurs de base construits avec un algorithme d'apprentissage donné afin d'améliorer la robustesse par rapport à un seul estimateur.

Dans le cas de notre problème cible, une idée intéressante serait de construire un ensemble de modèles capables de prédire ou de classer des adresses spécifiques en tant que portefeuilles chauds, froids, de dépôt ou de retrait. Nous avons suivi une approche similaire sur la plateforme IntoTheBlock et les résultats ont été incroyablement encourageants.

Construire un modèle d'ensemble robuste pour la classification des échanges cryptographiques est à peine suffisant. Pour commencer, il n'y a pas assez de jeux de données étiquetés sur les échanges cryptographiques pour former des modèles d'apprentissage automatique sophistiqués. De plus, chacun de ces modèles prend en compte un grand nombre de combinaisons de paramètres, ce qui rend extrêmement difficile l'interprétation de ses décisions. Dans cette perspective, le complément de ces modèles d’apprentissage automatique à l’aide de solides cadres de visualisation des données peut nous aider à mieux comprendre les caractéristiques des échanges cryptés centralisés. Chez IntoTheBlock, l’utilisation des visualisations de données s’est révélée être un atout unique pour comprendre le comportement des échanges cryptés centralisés. Voyons quelques-unes des choses que nous avons découvertes.

Tous les échanges cryptographiques centralisés ne sont pas créés égaux. La variété des architectures et des schémas d’échange rend la classification des adresses d’échanges cryptographiques un exercice extrêmement difficile. Voici quelques-uns des modèles les plus courants que vous devriez connaître:

1) Transactions de dépôt à faible volume: Certaines bourses comme Poloniex combinent un petit nombre d’adresses de dépôt en une seule transaction de dépôt dans un portefeuille à chaud.

2) Transactions de dépôt à volume élevé: D'autres échanges, tels que Binance, combinent un grand nombre de fonds provenant d'adresses de dépôt dans des transactions uniques placées dans un portefeuille à chaud.

3) Transactions de retrait à faible volume: De même, certains échanges structurent les retraits en un petit nombre d'adresses.

4) Transactions de retrait à volume élevé: D'autres bourses utilisent une seule opération de retrait pour distribuer des fonds à un grand nombre d'adresses.

5) Dépôts directs: Certains échanges transfèrent les fonds directement des adresses de dépôt dans un portefeuille à chaud.

6) Adresses de dépôt temporaire: D'autres échanges transfèrent les fonds des adresses de dépôt en une adresse temporaire avant que celle-ci ne se rende au portefeuille actif de l'échange.

7) Patterns UTXO: Les mécanismes de transactions non dépensées (UTXO) sont constamment utilisés par les échanges centralisés pour structurer les transactions.

8) Échanges de porte-monnaie simples: Certains échanges comme Binance utilisent un seul portefeuille à chaud pour traiter les transactions.

9) Double échange de portefeuille à chaud: Les échanges tels que Poloniex utilisent une structure à double portefeuille chaud dans laquelle un portefeuille chaud est utilisé pour recevoir les dépôts et un autre pour répartir les retraits.

10) Transferts multi-échanges: Certains échanges tels que BitStamp interagissent régulièrement avec des échanges tels que Binance pour accéder à des fonds.

Ce ne sont que quelques-uns des modèles les plus anciens et les plus évidents que nous avons découverts au cours de nos expériences. La plateforme IntoTheBlock exploite une grande partie de ces informations pour créer des signaux plus intelligents qui aident les chercheurs et les opérateurs à prendre de meilleures décisions. Cependant, le plus important est de réaliser que l’utilisation de l’apprentissage automatique et de la visualisation de données peut réellement aider à mieux comprendre le comportement des échanges cryptographiques sans avoir besoin d’informations perspicaces.

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer