在最近的会议演讲中我经常会被问到：区块链数据分析的最大挑战是什么？我的回答就一个词：去匿名化。
我坚定地认为，识别不同类型的参与者并理解其行为是解锁区块链分析潜力的核心挑战。我们花费了相当多的时间来考虑这个问题以识别出与数字货币运动的伦理不发生冲突的正确边界。在这篇文章里，我想进一步探讨这个思路。
市场上大多数区块链的架构依赖于匿名或伪匿名机制来保护其节点的隐私并实现去中心化。数据混淆机制可以将加密资产交易数据记录在公开的账本上让每个人都能访问，但是也让分析这些数据变得异常困难。
如果不能识别参与者的身份，就很难理解区块链数据集并分析出有意义的结果，而且区块链分析只能徘徊在初级阶段。然而，重要的一点是要理解，去匿名化区块链数据集并不是要知道账本中每个地址的真实身份，这个方向基本上是不具备可扩展性的可能。
欧洲银行管理局：稳定币发行商应该开始为欧盟新规则做准备:金色财经报道，欧洲银行管理局 (EBA)周三表示，稳定币发行商应该开始为欧盟新规则做准备，尽管这些规则将于明年6月生效。监管机构表示， EBA 希望在该开始日期之前“鼓励及时采取准备行动”，以保护消费者并减少企业在 6 月 30 日面临的困境。
欧盟加密资产市场（MiCA）监管规定了与其他资产价值挂钩的加密货币的治理和准备金要求，相关规定将比加密钱包提供商和交易所的其他许可规则提前六个月生效。
金色财经此前报道，欧盟ESMA发布首批详细的加密货币规则。[2023/7/12 10:50:47]
相反的，我们可以识别并理解区块链中已知参与者的行为，例如交易所、OTC柜台、矿工以及其他构成区块链生态系统的核心成员。
数据：自合并以来通过MEV-Boost分配的以太坊数量超10万枚:金色财经报道，MEV-Boost Dashboard显示，自合并以来通过Flashbots的最大提取价值（MEV）工具MEV-Boost分配的以太坊数量已超10万枚，价值1.62亿美元。Flashbots Dashboard数据显示，2023年以来，通过Flashbots打包的区块占比稳定在50%以上。
以太坊研究员和MEV-Boost Dashboard开发者Toni Wahrst?tte表示，Flashbots正在努力开源MEV-Boost背后的代码。（The Block）[2023/2/10 11:58:51]
地址数量会不知不觉误导你
网络的量度是区块链分析中无所不在的一个指标，也是一个可以清晰地展示去匿名化威力的指标。
Lido Finance即将转向两阶段投票治理模型，分为常规投票阶段和反对阶段:6月28日消息，流动性质押协议Lido Finance宣布即将转向两阶段投票治理模型，Lido DAO的链上投票持续72小时，两阶段投票解决方案将这72小时分为两部分，第一部分持续48小时，是常规投票，任何拥有LDO的人都可以投赞成票或反对票，然后是持续24小时的反对阶段，在这一阶段中，LDO持有者只能投反对票或将投票从“赞成”更改为“反对”。
Lido表示，这种模式可以防止“最后一个区块投票操控”的特定情况。即使在主要阶段结束前的最后一个区块中发送的投票将投票结果更改为“赞成”，之后Lido DAO成员也有24小时的时间投反对票。[2022/6/28 1:36:08]
地址数量是最常见的一个具有误导性的指标，因为并非所有的地址都同等重要。交易创建的一个用于临时性转账的地址，显然不能和另一个长期持有资产的钱包地址相提并论。
区块链数据分析工具 Dune 推出 Spellbook，引入开源软件协作模型:7月22日消息，区块链数据分析工具 Dune 推出 Spellbook，把开源软件的协作模型引入数据科学和分析领域。Spellbook 是对其现有 abstractions 存储库的重组，具有开源分析工程工具，称为 dbt，dbt 模型又名spells可以具体化为视图和表，具有增量加载和日期分区表等改进，可编译成 SQL 并在 dune.com 上运行。[2022/7/22 2:31:45]
类似的，像币安这样的交易所的热钱包，肯定也不同和我的个人钱包采用同样的方法和指标去分析。同等对待所有地址的匿名性，注定会导致解读的有限性并且经常会得出误导性的结论。
匿名性vs.可解读性
匿名或伪匿名身份是可伸缩的去中心化架构的关键因素之一，但是这也让从区块链数据集中获取有价值的信息变得极端困难。理解这一观点的一个办法，就是把匿名性视为区块链分析的可解读性的一个反因子。
在区块链数据集中匿名性与可解读性之间的摩擦相对来说还比较小。一个区块链数据集的匿名性越高，从中获取有意义的信息的难度就越大。参与者的身份提供了其行为的上下文环境，而上下文环境则是可解读性的关键构建模块。
去匿名化vs.打标签
「你是什么」远比「你是谁」要重要。
去匿名化区块链数据集并不涉及了解每个参与者的真实身份。试图了解每个用户的真实身份不仅是一个意义重大的任务，而且也会让分析工作难以突破一定的规模。
相反，我们可以试着理解一个参与者的关键特征来让我们的分析达到一定程度的可解读性。因此，不需要清楚地识别每个地址的真实身份，我们可以给地址打标签或者附加一些描述性的元数据，来让其行为具备一定的上下文环境。
在大规模数据中，打标签常常要比个体识别更有效果。理解区块链生态系统中特定个体的行为当然会让分析达到更个性化的程度，但是对于在宏观层面理解行为的趋势就显得相对受限了。
因此，相对与对区块链地址的个体真实身份的识别，去匿名性的挑战与地址的关键性属性的标注的关系更大。我们如何实现这一点？
机器学习会是一个优秀的解决方案
标注或者去匿名化区块链的思路可以让区块链分析更好地生态中已知参与者的行为模式和特征。直觉上我们可以考虑创建一些规则来分析区块链生态系统中的不同成员，例如：
“如果一个地址持有大量比特币地址并且一次执行100个交易，那么这是一个交易所地址……”
虽然很有吸引力，但是基于规则的方法将很快失效，无法再提供有用的信息。下面列出了部分原因：
预置知识的完整性：基于规则的分类会假定我们对于如何识别区块链生态中的不同参与者有足够的知识。这显然是不正确的假设。
持续的变化：区块链解决方案的架构一直都在演变，这对任何嵌入的规则而言都是挑战。
特征属性的数量：创建一条有两三个参数的规则很简单，但是试图创建一条有几十个甚至上百个参数的规则就没那么简单了。要识别出像交易所或OTC柜台这样的地址需要大量的特征。
因此我们不能使用预置的规则，我们需要一种可以从区块链数据集中学习模式的机制来自动推断出有意义的规则让我们可以标注相关的参与方。从概念上来说，这是一个经典的机器学习问题。
从机器学习的观点，我们应该从两个主要途径来考虑应对去匿名化的挑战：
无监督学习：无监督学习聚焦于学习指定数据集中存在的模式并识别相关分组。在区块链数据集的上下文中，可以使用无监督学习模型基于地址的特征将其匹配到不同的分组中并对这些分组进行标注。
监督学习：监督学习方法可以利用已有的知识来学习指定数据集中的新的特性。在区块链上下文中，可以使用监督学习方法基于已有的交易所地址数据集训练一个模型来识别出新的交易所地址。
去匿名化或者给区块链数据集打标签很少是只用监督学习或者只用非监督学习，更多的情况下需要两种方法的结合。机器学习模型可以有效地学习区块链生态系统中特定参与者的特征，并利用这些特征来理解其行为。
在使用区块链ETL工具将区块链原始数据加载到数据库或大数据分析平台后，将标注层引入区块链数据集是进行更有价值的区块链数据分析的一个关键挑战。
这些标签提供了更好的上下文环境，也让区块链分析模型具有更好的可解读性。不过尽管我们有机器学习这样强大的工具，去匿名性依然是分析理解区块链生态系统的道路上一个不可忽视的重大路障。
本文来源于“区块链大本营”。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。