Publicação: Identificação de usuários maliciosos de bitcoin com floresta randômica
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A expansão e a consolidação do Bitcoin como sistema financeiro descentralizado introduziram desafios complexos à segurança pública e à conformidade regulatória, decorrentes do pseudoanonimato explorado por agentes maliciosos para a prática de crimes como lavagem de dinheiro, operações em mercados ilegais da Dark Web e extorsões por ransomware. O presente trabalho teve como objetivo desenvolver e avaliar um modelo supervisionado de aprendizado de máquina capaz de classificar transações e endereços
da rede Bitcoin para a identificação automatizada de entidades ilícitas. A metodologia
empregou registros públicos consolidados da plataforma Blockchair, restritos aos blocos
600.000 a 605.999, combinados às rotulações da base de dados Bitcoin Address Behavior
Dataset (BABD-13). Induziu-se um classificador baseado no algoritmo de Floresta Ran
dômica com ponderação balanceada de classes, seguido por uma heurística de propagação
reversa de contaminação e consolidação por votação majoritária ao nível de endereços.
A análise de importância de atributos revelou que parâmetros econômicos, notadamente
custos de transação (fee_per_kwu e fee_per_kb) e volumes monetários transacionados,
exerceram o papel mais discriminativo na detecção. Na avaliação transacional individual,
o classificador obteve acurácia de 100%, precisão macro de 96% e revocação de 84% para
a classe minoritária. Ao integrar o mecanismo de pós-processamento por votação majo
ritária nos endereços (𝜃 = 0, 5), o sistema eliminou os falsos negativos, atingindo uma
revocação perfeita de 100% sobre as entidades criminosas com acurácia global de 99%,
consolidando-se como uma abordagem eficaz e viável para auditorias de conformidade e
investigações forenses digitais em ecossistemas de Blockchain.
Abstract
The expansion and consolidation of Bitcoin as a decentralized financial system have
introduced complex challenges to public safety and regulatory compliance, primarily due
to pseudo-anonymity exploited by malicious actors for illicit activities such as money
laundering, darknet market operations, and ransomware extortions. This study aimed to
develop and evaluate a supervised machine learning model capable of classifying transactions and addresses on the Bitcoin network for the automated identification of malicious
entities. The methodology utilized public records extracted from the Blockchair platform—spanning blocks 600,000 to 605,999, integrated with ground-truth labels from the Bitcoin Address Behavior Dataset (BABD-13). A Random Forest classifier was trained using balanced class weighting, followed by a contamination heuristic and adress majority voting aggregation. Feature importance analysis demonstrated that economic metrics,
particularly transaction fees (fee_per_kwu and fee_per_kb) and transaction amounts in
fiat currency, were the most decisive indicators of suspicious behavior. At the transaction
level, the model achieved 100% accuracy, a macro precision of 96%, and a recall of 84%
for illicit activities. By incorporating the address-level majority voting scheme (θ = 0.5),
the system eliminated false negatives, achieving a perfect recall of 100% on malicious
addresses and an overall accuracy of 99%, confirming its practical viability for digital
forensics and compliance audits within blockchain ecosystems.
Palavras-chave
Bitcoin, Bitcoin, Floresta Randômica, Random Forest, Votação Majoritaria, Majority Voting, Blockchain, Blockchain, Aprendizado de Maquina, Machine Learning
Citação
CARDOSO, Vitor Ramos. Identificação de usuários maliciosos de bitcoin com floresta randômica. 2026. 56 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto