加密貨幣:如何利用機器學習識別加密項目風險？

加密貨幣和監管的必要性

加密貨幣是一種存在于數字世界的交易媒介（另一種支付形式），依靠加密技術使交易安全。加密貨幣背后的技術允許用戶直接向他人發送貨幣，而不需要通過第三方，如銀行。為了進行這些交易，用戶需要設置一個數字錢包，而不需要提供身份證號碼或信用評分等個人細節，因此可以讓用戶偽匿名。

對于普通的加密貨幣用戶來說，這種匿名性可以讓他們放心，因為他們的個人信息或交易數據不會被黑客竊取。然而，這種交易匿名性的提高，也容易被犯罪分子濫用，進行洗錢、恐怖融資等非法活動。這種非法活動給區塊鏈錢包用戶以及加密貨幣實體都造成了巨大的損失。雖然金融行動特別工作組（FATF）等監管機構已經在這些實體的監管中引入了標準化的指導方針，但由于每天都有大量的加密貨幣實體和交易發生，監控加密貨幣空間是一項具有挑戰性的任務。

因此，人們有興趣利用開源信息，例如新聞網站或社交媒體平臺，來識別可能的安全漏洞或非法活動。在與Lynx Analytics的合作中，我們（來自新加坡國立大學的一個學生團隊）已經致力于開發一個自動工具，以刮取開源信息，預測每篇新聞文章的風險分數，并標記出風險文章。這個工具將被整合到Cylynx平臺（https://www.cylynx.io/）中，這是Lynx Analytics開發的一個工具，用于幫助監管機構通過使用各種信息源監控區塊鏈活動。

Euler Finance社區就如何將追回的被盜資金分配給用戶進行投票:Euler Finance社區就如何將追回的被盜資金分配給用戶進行投票

金色財經報道，DeFi借貸協議Euler Finance背后社區正在就如何將追回的被盜資金分配給用戶進行投票，如果該計劃獲得批準，Euler將使用協議因黑客攻擊而被禁用時的價格來計算用戶資產和負債的價值。

此前報道，Euler Finance在3月份遭受了2億美元的黑客攻擊，該團隊上周表示，它已經收回了在黑客攻擊中被盜的所有“可追回資金”。根據Euler治理論壇的提議，收回的資金總額超過95,556個ETH和4300萬個DAI穩定幣。未追回的資金包括發送到Tornado Cash的1,100ETH和發送到與Lazarus Group相關地址的100ETH，Lazarus Group是一個據稱與朝鮮有關的黑客組織。[2023/4/11 13:55:39]

我們確定了3類開源數據，這些數據可以提供有價值的信息，幫助檢測加密貨幣領域的可疑活動。這些類別是：

大咖零距離 | 交易心理重塑：如何在爆倉后調整交易心態:10月22日19:30，由金色盤面主辦、UP交易所獨家贊助的《大咖零距離》正式開播。屆時實盤大V鐵頭0707，將在《大咖零距離》直播間分享《交易心理重塑：如何在爆倉后調整交易心態》。敬請關注，欲進群觀看直播掃描海報二維碼報名即可！[2019/10/22]

傳統的新聞網站，如谷歌新聞，它將報告重大的黑客事件。

加密貨幣專用新聞網站，如Cryptonews和Cointelegraph，它們更有可能報道小型實體和小型安全事件的新聞。

社交媒體網站，如Twitter和Reddit，在官方發布黑客新聞之前，加密貨幣所有者可能會在那里發布有關黑客的消息。

動態 | 受監管代幣交易商尋求SEC澄清數字資產如何符合美國證券法:據Coindesk報道，受監管的代幣交易商Templum希望美國證券交易委員會（SEC）澄清在區塊鏈上跟蹤或代幣化的數字資產如何符合美國證券法規。為此，該公司上周向SEC提交了一份規則制定請愿書，其中概述了在某些形式的證券交易中如何利用加密資產和區塊鏈技術。Templum聯合創始人兼首席執行官Vince Molinari表示，該公司要求明確這些新生技術如何適應當前的監管計劃。 至少在他們看來，它們并不存在于現有框架中。具體而言，Templum希望SEC解釋區塊鏈平臺何時必須注冊為清算公司或清算公司可以如何使用區塊鏈，以及區塊鏈平臺何時必須注冊為轉賬代理或告知數字資產發行人何時必須使用區塊鏈轉賬代理人。該公司還試圖了解SEC會何時可對現有的托管和客戶保護規則進行改善，以允許用于跟蹤證券交易的區塊鏈。[2018/12/21]

檢索文章和社交媒體帖子的內容，然后建立情緒分析模型。該模型為文章中提到的實體分配了一個風險活動的概率。

金色相對論 | 陳鈺璋：STO核心問題是如何與先行者爭奪優秀項目:本期金色相對論中，高鏈資本創始合伙人陳鈺璋就“STO來襲將如何影響市場”的問題發表看法，陳鈺璋表示，STO給一些小國一個不錯的窗口，不過問題是這些國家需要流量。沒有流量的合法合規也沒有太大用處。

如果區塊鏈是創新，我們就要用創業的思維去理解它、改善它。看待STO的最核心問題是：如何與納斯達克、紅杉、軟銀這些交易所和巨額基金爭奪真正的好項目？這是一個先有雞還是先有蛋的問題：需要有足夠的流動性，才能夠吸引真正的好項目。但是誰來提供從零到一的流動性呢？我能看到的是超級財團，例如軟銀、黑石、GIC這些基金聯合小國家的政府立法，成立國際上第一個不缺錢的穩定STO體系，吸引到最優質的頂級企業入駐，打造成功案例，然后把其他B輪、C輪的S級別企業吸引過去，才能建立良性循環。而新加坡政府如果能夠把GIC和Temasek的流動性注入到STO里，在新加坡成立STO交易所，會改變歷史。[2018/10/12]

我們嘗試了四種不同的自然語言處理工具進行情緒分析，即VADER、Word2Vec、fastText和BERT模型。在通過選定的關鍵指標（召回率、精度和F1）對這些模型進行評估后，RoBERTa模型（BERT的一個變種）表現最佳，被選為最終模型。

現場 | 以太坊行業峰會第一場圓桌 如何應對智能合約安全問題:金色財經9月8日現場報道，Loi Luu (KyberNetwork 創始人)、Shawn Douglass

(Amberdata 聯合創始人兼CEO)、Jay Zhou (Loopring Protocol 聯合創始人)、Alan Li (FBG X 研發部負責人)、Antoine Cote (Enuma Technologies 聯合創始人兼CEO) 參與了討論，嘉賓們一致認為，由于智能合約涉及資產交易且不可篡改，一旦發生安全問題將引起資產嚴重受損，關注智能合約安全是必要的。Loi Luu指出,區塊鏈行業項目方，需要為開發者設立預警機制。開源代碼要引入第三方檢測，避免犯一些顯而易見的錯誤。

Jay zhou認為，需要更有經驗的開發者去開發用戶易用、以人為本的合約，同時也有必要引入交叉審計。

Shawn Douglass說：“因為智能合約的不可篡改性，在程序員開發前，就必須告知開發者未來可能造成的后果，特別是在涉及資產的領域必須確保事前萬無一失甚至考慮保險。”

Antoine Cote表示，可以在早期時候引入懸賞機制讓黑客或者社區成員共同發現漏洞。大家討論后得出共識，每一個開發者都必須在開發速度和安全性之間做一個平衡。在區塊鏈領域，注重安全和責任心是必須的。[2018/9/8]

RoBERTa模型對新聞文章（標題和摘錄）或社交媒體帖子的文本進行處理，并為特定文本分配一個風險分數。由于該文本在數據收集過程中已經被標記為實體，我們現在已經有了加密實體的相關風險指標。在后期，我們將多個文本的風險分數結合起來，給出一個實體的整體風險分數。

RoBERTa原本是一個使用神經網絡結構建立的情感分析模型，我們將最后一層與我們標注的風險分數進行映射，以適應風險評分的環境。為了提高模型在未來文本數據上的通用性，我們進行了幾種文本處理方法，即替換實體、刪除url和替換hash。然后我們使用這個表現最好的模型進行風險評分。

現在，每篇文章都有一個相關的來源（news/reddit/twitter），一個風險概率和一個計數，指的是文章被轉發、分享或轉發的次數。為了將這些風險概率轉換為加密貨幣實體的單一風險得分，我們首先將文章的概率值縮放到0到100的范圍內，并獲得每個來源的加權平均值，結合文章的風險得分和計數。加權平均數用于對計數較高的文章給予更大的重視，因為份額數量很可能表明文章的相關性或重要性。

在計算出各來源的風險得分后，我們對各來源的風險得分進行加權求和，得到綜合得分，公式如下：

傳統的新聞來源被賦予了更高的權重，因為這些來源更有可能報道重大的安全漏洞（相對于單個用戶的黑客事件）。

我們在2020年1月1日至2020年10月30日的174個加密貨幣實體的名單上測試了我們的解決方案，并將結果與該時間段內的已知黑客案例進行了比較。我們發現，我們的風險評分方法表現相當出色，在37個已知的黑客案例中識別了32個。我們還分析了我們的解決方案對單個實體的有效性。下圖顯示了Binance從2020年1月1日至2020年10月30日的風險評分。虛線紅線代表已知的黑客案例。從圖中我們觀察到，我們的解決方案報告了5個已知黑客中的4個黑客的風險得分增加。也有幾個峰值與已知黑客案例不一致。然而，這并不構成一個主要問題，因為對我們的模型來說，更重要的是識別盡可能多的黑客，減少未識別的黑客數量。

在風險評分過程中，我們注意到，與規模較小的實體相比，規模較大的實體的風險評分往往有較大比例的假陽性記錄。這是因為大型實體被談論得更多，因此會有更多的負面帖子和虛假謠言，從而導致更高的不準確率。

另一個值得強調的有趣趨勢是，圍繞著黑客攻擊通常有幾個明顯的高峰。這是由于不同數據源的反應時間不同。社交媒體網站Twitter和Reddit通常是第一個看到高風險事件發生時的高峰，因為用戶會發帖提出他們觀察到的異常情況，比如一個實體的網站在沒有事先通知用戶的情況下宕機。官方消息一般是在官方聲明之后，稍后才會發布。

我們發現，我們的解決方案有兩個潛在的局限性，首先是需要不斷地維護收集器。網站設計可能會隨著時間的推移而改變，這些網站的刮擦器需要更新，以確保相關信息仍能被檢索到，從而達到風險評分的目的。

第二個限制是，驗證一篇文章是否已被正確地標記為加密貨幣實體是具有挑戰性的。例如，一篇報道Bancor可疑活動的文章可能也會因為一個不相關的事件提到Binance。我們的解決方案會錯誤地將新聞標記為兩個實體，并將Binance標記為風險，即使它不是文本中的關鍵主題。然而，這并不是一個主要的限制，因為我們只使用新聞文章的標題和摘錄來進行風險評分，這通常只包含文章的關鍵信息。

我們的項目讓監管機構可以輕松挖掘開源信息，更好地識別加密貨幣領域發生的風險事件。我們提供了一個分析文章并預測風險分數的語言模型，以及根據實體和來源信息匯總這些分數的方法。這些方法都被編織成一個可以端到端運行的自動化流水線。將該項目整合到Cylynx平臺中，將對其現有功能進行補充，并為監管機構識別高風險加密貨幣實體提供巨大的幫助。

Tags：加密貨幣區塊鏈ANCNCE加密貨幣行情英為行情區塊鏈的四大核心技術anc幣幣幣情Generation Finance

ICP