Мы тратим немало времени на обдумывание и выявление ключевых задач для раскрытия потенциала аналитики блокчейна и правильных границ, которые не вступают в противоречие с идеей крипто-движения.
Главные проблемы прогнозирования
Архитектура большинства блокчейнов на рынке основана на анонимности, как механизма защиты конфиденциальности его узлов и обеспечения децентрализации. Эти механизмы запутывания данных позволяют записывать транзакций крипто-активов в общедоступные реестры и они доступны всем. Но это делает их анализ чрезвычайно трудным. Без идентичности трудно развить осмысленную семантику и уровни интерпретации наборов данных блокчейна, а без этого аналитика блокчейна останется относительно базовой.
Однако важно понимать, что деанонимизация наборов данных блокчейна не подразумевает знание идентификатора каждого адреса в реестре. Такой подход почти невозможно масштабировать. Вместо этого мы можем согласиться с выявлением и пониманием поведения известных действующих лиц, таких как биржи, внебиржевые столы, майнеры и другие стороны, которые составляют ключевые элементы экосистемы блокчейна.
Не все адреса созданы равными
Сетевые метрики являются вездесущей метрикой в аналитике блокчейна и четко иллюстрируют силу деанонимизации. Количество адресов часто вводит в заблуждение по простой причине: не все адреса равны. Адрес, созданный биржей для временной передачи, не совпадает с кошельком, на котором хранятся значимые сбережения в течение длительного периода времени.
Точно так же горячий кошелек такого обмена, как Binance, не должен интерпретироваться с использованием той же семантики, что и ваш личный кошелек. Рассмотрение всех адресов через одну и ту же линзу анонимности способствует ограниченным и часто вводящим в заблуждение интерпретациям.
Анонимность против интерпретируемости
Анонимные или псевдонимные идентификаторы, являются ключевым элементом масштабируемой децентрализованной архитектуры, но это также крайне затрудняет получение значимой информации из наборов данных блокчейна. Чтобы понять этот аргумент, нужно подумать об анонимности как о противодействии интерпретации блокчейн-аналитики.
Трение между анонимностью и интерпретируемостью в наборах данных блокчейна является относительно тривиальным. Чем более анонимным является набор данных блокчейна, тем сложнее извлечь из него значимый интеллект. Идентичность обеспечивает контекст, а контекст является ключевым строительным блоком интерпретируемости.
Деанонимизация против маркировки
Деанонимизация наборов данных блокчейна не влечет за собой знания конкретной личности каждого действующего лица. Это не только монументальная задача, но и контрпродуктивная. Вместо этого мы можем согласиться с пониманием ключевых характеристик или особенностей конкретного субъекта, чтобы обеспечить значимый уровень интерпретации для нашей аналитики. Таким образом, вместо четкой идентификации конкретной идентичности адреса, мы можем прикрепить метки или метаданные, которые позволяют контекстуализировать его поведение.
В масштабе, маркировка часто является более мощной концепцией, чем идентификация. Понимание конкретных особенностей действующих лиц в экосистеме блокчейна, безусловно, обеспечивает интересные уровни персонализации, но остается относительно ограниченным, когда речь идет о понимании тенденций на макроуровне.
Таким образом, проблема деанонимизации больше связана с идентификацией ключевых меток или атрибутов адреса блокчейна, чем с пониманием конкретных идентификаторов.
Деанонимизация или маркировка наборов данных блокчейна редко является выбором между контролируемыми или неконтролируемыми методами, а скорее комбинацией обоих. Модели машинного обучения могут эффективно изучать характеристики конкретных субъектов в экосистеме блокчейна и использовать эти знания для понимания его поведения.
Добавление слоев меток или идентификационной информации в наборы данных блокчейна является ключевой задачей для обеспечения более содержательной аналитики. Метки обеспечивают лучший контекст, что дает лучшую интерпретируемость в аналитических моделях. Несмотря на наличие в нашем распоряжении мощного арсенала стеков машинного обучения, деанонимизация остается невероятно трудным препятствием на пути к улучшению аналитики для экосистемы блокчейна.
