MBAL:跨主流区块链的千万级标注加密地址数据集

《Blockchain: Research and Applications》:MBAL: A 10-Million Annotated Crypto Address Dataset Across Leading Blockchains

【字体: 大 中 小 】 时间:2026年08月28日 来源:Blockchain: Research and Applications 5.6

编辑推荐:

  带标注的区块链地址数据集对支持基于机器学习的分析(如地址分类、风险检测与用户画像)至关重要。然而,现有数据集存在规模有限、标签粒度粗、链覆盖窄等问题,制约了模型性能与可复现性。为此,研究人员构建了MBAL(Multi-Blockchain Address La

  
带标注的区块链地址数据集对支持基于机器学习的分析(如地址分类、风险检测与用户画像)至关重要。然而,现有数据集存在规模有限、标签粒度粗、链覆盖窄等问题,制约了模型性能与可复现性。为此,研究人员构建了MBAL(Multi-Blockchain Address Label,多区块链地址标签数据集),一个公开数据集,包含跨越比特币、以太坊、币安智能链与Polygon四条主流链的1000万个标注地址,覆盖63个地址类别。MBAL整合超过470万条经验证标签与530万条启发式推断标签,联合领域专家策划,覆盖933个唯一区块链实体。研究人员使用8种预测模型在MBAL与现有BABD-13数据集上开展综合评估,除朴素贝叶斯外,所有模型在MBAL上均取得更高准确率,证明更大规模、更丰富特征与更高标签质量带来的收益。MBAL进一步支撑多样化下游应用,文中以两个案例说明:(i)在以太坊上利用富集特征与XGBoost进行高精度地址标签预测,平均准确率超80%;(ii)通过从黑名单节点出发的交易传播对未标注地址进行基于图的风险估计,揭示主导性的两跳传播模式。
研究背景方面,区块链凭借透明与不可篡改特性被广泛采用,但伪匿名性也被用于蜜罐、拉地毯等 illicit 活动,造成巨额损失。基于机器学习的恶意地址检测依赖高质量标注数据,而现有区块链地址标签数据集存在三方面局限:标签分类体系不完整,主要覆盖金融与安全类少量类型;公开标注地址量不足,如最全面的BABD-13仅含约54万比特币地址,占总量不到0.01%;覆盖链单一,多聚焦比特币或以太坊,缺少对币安智能链(BSC)与Polygon等新兴多链环境的支持。这限制了用户画像、反洗钱、 scam 检测与合规等任务的开展,也阻碍跨链分析与可复现研究。
针对上述问题,研究人员构建MBAL数据集,并提出统一细粒度分类体系、大规模多链标注集合与两套概念验证应用。结论表明,MBAL在分类数(63类)、地址规模(1000万)、覆盖链数(4条)、实体数(933个)上均显著优于BABD-13;在8种模型对比中除Naive Bayes外全部取得更高准确率;两名标注员一致性Cohen’s kappa达0.82,启发式标签估计错误率约3.00%,证明数据质量可靠。该研究发表于《Blockchain: Research and Applications》,为区块链地址分析提供可复现基准。
关键技术方法上,研究人员采用三类手段:一是验证式采集,将标签分为Ground truth(来自OFAC制裁名单与安全事故记录等强可信源)与External data(来自EtherScan、BSCScan、Twitter等弱可信源),由10名有经验学生对其20%抽样做跨平台与交易行为人工核验;二是分类体系构建,以Microscope协议为基础,经闭卡排序(Closed Card Sorting)与开卡排序(Open Card Sorting)由10位来自Coinbase、Circle等机构专家迭代达成共识,形成63类体系;三是推断式补全,在UTXO链用Common Spending(多输入归并聚簇)启发式,在账户链用Fund Gathering(100%流出至验证热钱包且未回流)启发式生成弱标签,并以人工冲突消解兜底。样本队列来源于上述四链公开地址与交易记录。
研究结果按原文章节浓缩如下。
引言部分指出伪匿名性催生 illicit 活动,现有数据集三缺陷促使构建MBAL,并列出统一分类、千万级多链数据、8模型评估、两案例与公开发布五大贡献。
背景与相关工作中,研究人员综述了BABD-13等8个已有数据集,指出多数不公开、单链、单类,MBAL在Table 1维度全面占优;同时梳理LDA、DT、Naive Bayes、RF、XGBoost、LightGBM、DNN、WNN等地址标签预测模型,强调标签质量决定上限。
数据集设计章节中,3.1.1验证式采集给出Ground truth与外部数据界定及人工双检流程,kappa 0.82;3.1.2分类体系给出63类通过卡片排序与专家共识产出,三类间kappa 0.81;3.1.3推断式采集定义Common Spending仅对多输入交易建共花边、Fund Gathering要求100%流出至验证热钱包,弱标签不覆盖强标签;3.1.4细粒度质量分析在99%置信±1%下抽16060条,按源/链/类分组报告,启发式标签错误率3.00%,各链在2.98%–3.16%间;3.2评估指标引入Transaction Amount Coverage(TAC)与Transaction Number Coverage(TNC)及1-Gini,弥补BABD原Pure Amount/Degree Indicator不足。
实验评估中,8模型在MBAL较BABD-13除Naive Bayes外全优,XGBoost最佳;以太坊子集富集特征后平均准确率>80%。风险估计案例从黑名单种子做图传播,发现高风险节点相对孤立但邻域活跃、出向偏黑名单,两跳路径[0][1]为主导通道。
讨论与结论部分,研究人员指出MBAL以63类统一体系、1000万地址、4链933实体、验证+启发式双源与3%级错误率,解决现有数据集规模小、粒度粗、单链偏置问题;公开于Kaggle促进透明与复现;两案例证明其在地址预测与图风险传播上的实用价值。研究局限在于启发式在CoinJoin、托管聚合等场景存假阳性,已通过人工抽检控制;未来可拓展更多链与动态标签更新。
综上,MBAL为区块链地址级机器学习提供了当前最大规模、最细粒度、多链覆盖的公开基准,其分类体系与质量管控流程可作为后续标注工作参考范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号