Publicação: Detecção de mixers na Ethereum
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::ENGENHARIA DE SOFTWARE
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho propõe uma abordagem baseada em aprendizado de máquina para a de-
tecção automatizada de contratos do tipo mixer na blockchain Ethereum, com foco no
protocolo Tornado Cash. Foram utilizados dois algoritmos supervisionados — Random
Forest e Support Vector Machine (SVM) — treinados com dados on-chain extraídos da
plataforma Blockchair. As métricas selecionadas incluíram entropia de valores transferi-
dos, entropia de taxas de gás, chamadas internas e variações de padrão em transações. O
conjunto de treinamento foi composto exclusivamente por interações com a versão de 10
ETH do Tornado Cash, a fim de avaliar a capacidade de generalização dos modelos para
outras denominações do protocolo. A avaliação foi realizada com base em um cenário real
de 29 de outubro de 2020, no qual foram registradas mais de 1,1 milhão de transações
na rede Ethereum, das quais apenas 239 estavam associadas ao Tornado Cash. O modelo
Random Forest obteve melhor desempenho, identificando corretamente os contratos ati-
vos do Tornado Cash, enquanto o SVM apresentou maior número de falsos positivos. Os
resultados indicam que é possível detectar comportamentos suspeitos na rede Ethereum
com uso de aprendizado supervisionado, embora melhorias como a filtragem de contratos
legítimos e a incorporação de dados off-chain sejam necessárias para reduzir imprecisões.
Abstract
This work proposes a machine learning-based approach for the automated detection of mixer-type smart contracts on the Ethereum blockchain, focusing on the Tornado Cash protocol. Two supervised algorithms — Random Forest and Support Vector Machine (SVM) — were trained with on-chain data extracted from the Blockchair platform. The selected metrics included entropy of transferred values, entropy of gas fees, internal calls, and transaction pattern variations. The training set was composed exclusively of interactions with the 10 ETH version of Tornado Cash, in order to assess the models’ ability to generalize to other protocol denominations. The evaluation was conducted using a real scenario from October 29, 2020, when more than 1.1 million transactions were recorded on the Ethereum network, of which only 239 were associated with Tornado Cash. The Random Forest model achieved better performance, correctly identifying the active Tornado Cash contracts, while the SVM presented a higher number of false positives. The results indicate that it is possible to detect suspicious behaviors on the Ethereum network using supervised learning, although improvements such as filtering of legitimate contracts and the incorporation of off-chain data are necessary to reduce inaccuracies.
Palavras-chave
Blockchain, Ethereum, anonimato, mixer
Citação
LEALE, Pedro. Detecção de mixers na Ethereum. 2025. 33 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2025.