Анализ работы миксеров – специальных сервисов, создающих несколько транзакций часто совместно с другими получателями и отправителями, – осложняется тем, что в открытом доступе нет данных их биткоин-адресов. В результате затрудняется поиск сервиса, где биткоины обмениваются на другую валюту. В связи с этим в исследованиях прибегают к созданию собственных переводов биткоинов через миксеры. В работе проведен обзор наиболее распространенных в настоящее время миксеров типа CoinJoin и доступных параметров перевода биткоинов, которые может указать пользователь. Приведены способы и результаты анализа транзакций биткоин-миксеров типа CoinJoin. Созданы переводы биткоинов через популярные миксеры этого типа. Найденные признаки переводов миксеров типа CoinJoin могут быть использованы для классификации транзакций биткоина и разработки алгоритма поиска набора вероятных конечных биткоин-адресов, на которые были отправлены средства после использования миксеров.
1. Huang D. Y., Aliapoulios M. M., Li V. G., Invernizzi L., Bursztein E., McRoberts K. Tracking ransomware end-to-end. In: 2018 IEEE Symposium on Security and Privacy (SP). San Francisco, CA: IEEE; 2018, pp. 618–631.
https://doi.org/10.1109/SP.2018.00047
2. ShenTu Q.-C., Yu J.-P. Research on anonymization and de-anonymization in the Bitcoin system.arXiv. 2015. Available at:
https://arxiv.org/abs/1510.07782 (accessed: 10.01.2025).
https://doi.org/10.48550/arXiv.1510.07782
3. Hong Y., Kwon H., Lee J., Hur J. A practical de-mixing algorithm for Bitcoin mixing services. In: Proc. of the 2nd ACM Workshop on Blockchains, Cryptocurrencies, and Contracts(BCC’ 2018). New York: ACM; 2018, pp. 15–20.
https://doi.org/10.1145/3205230.3205234
4. Prado-Romero M. A., Doerr Ch., Gago-Alonso A. Discovering Bitcoin mixing using anomaly detection. In: Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications (CIARP 2017). Cham: Springer; 2017, pp. 534–541.
https://doi.org/10.1007/978-3-319-75193-1_64
5. Wu J., Liu J., Chen W., Huang H., Zhang Y. Detecting mixing services via mining Bitcoin transaction network with hybrid motifs. IEEE Trans. Syst., Man Cybern.: Syst. 2021;52(4):2237–2249.
https://doi.org/10.1109/TSMC.2021.3049278
6. Shojaeinasab A., Motamed A. P., Bahrak B. Mixing detection on Bitcoin transactions using statistical patterns. arXiv. 2022. Available at:
https://arxiv.org/abs/2204.02019 (accessed: 10.01.2025).
https://doi.org/10.48550/arXiv.2204.02019
7. Möser M., Böhme R. Anonymous alone? Measuring Bitcoin’s second-generation anonymization techniques. In: 2017 IEEE European Symposium on Security and Privacy Workshops (EuroS&PW). Paris: IEEE; 2017, pp. 32–41.
https://doi.org/10.1109/EuroSPW.2017.48
8. Chang T.-H., Svetinovic D. Improving Bitcoin ownership identification using transaction patterns analysis. IEEE Trans. Syst., Man Cybern.: Syst. 2020;50(1):9–20.
https://doi.org/10.1109/TSMC.2018.2867497
9. Ferrin D. A preliminary field guide for Bitcoin transaction patterns. Coin Rivet. 2015. Available at:
https://coinrivet.com/research/papers/a-preliminary-field-guide-for-bitcoin-transaction-patterns/ (accessed: 10.01.2025).
10. Kalodner H., Goldfeder S., Chator A., Möser M., Narayanan A. BlockSci: Design and applications of a blockchain analysis platform. arXiv. 2020. Available at:
https://arxiv.org/abs/1709.02489 (accessed: 10.01.2025).
https://doi.org/10.48550/arXiv.1709.02489