集中式加密货币交易所是加密货币生态系统中最重要的黑盒子。我们都有在使用它们，我们对它们又爱又恨，但是我们对它们的内在行为知之甚少。我们一直在埋头研究一系列机器学习模型，以帮助我们更好地理解加密货币交易所的内部机制。最近，我们在一个被高度订阅的网络研讨会上展示了我们的一些初步发现，现在我做进一步的阐述。
有几个因素导致了理解集中式加密货币交易所行为的困难。匿名性、不规范的区块链对帐程序和定期的清洗交易行为是对集中加密货币交易所分析的主要挑战。在一个没有成熟规则的环境中，机器学习和数据科学为解开加密货币交易所的一些秘密提供了最佳框架。
简要回顾一下集中式加密货币交易所
在以前的文章中，我们讨论了集中式加密货币交易所体系结构的一些内部组件。从本质上讲，集中式加密货币交易所的行为有四个关键组成部分:
·热钱包:热钱包通常是外部方与交换方之间的主要交互点。交易所使用这种类型的钱包使资产可以交易。
·冷钱包:交易所使用冷钱包作为加密货币资产的安全存储。这种类型的钱包通常持有大量不打算频繁交易的资产。
·存款地址:存款地址通常是临时的链上地址，用于将资金转移到交易所。这种类型的地址的重点是方便用户兑换现金流。
·提现地址:提现地址通常是临时的链上地址，用于从主外汇钱包转移资金。有时取款地址可以起到存款地址的双重作用。
没有一个机器学习模型能给出具体答案
如果我们考虑使用传统的机器学习来处理集中式加密货币交易所的分析，我们将考虑设计和实现一个模型，该模型可以有效地将特定的地址分类为交换。尽管这一概念似乎合乎逻辑，但事实证明，将其应用于集中式加密货币交易所是不切实际的。
对于初学者来说，集中式加密货币交易所的行为过于多样化和复杂，无法封装在一个单一的模型中。此外，集中式加密货币交易所不断地改变或更新其链上过程，这对任何机器学习模型的学习动态都是一个挑战。
进入集成学习
设想一下，我们可以将多个模型组合成一个单一的知识结构，而不是一个单一的机器学习模型，这样就可以理解集中式加密货币交易所的内部模式。不同的模型对于不同的集中式交换架构会有更好的表现，并且整个团队能够更好地适应变化。在机器学习理论中，这可以使用集成学习技术来实现。
从概念上讲，机器学习中的集成模型将来自多个模型的决策组合在一起以提高整体性能。集成算法的目标是将多个基本估计器的预测与给定的学习算法相结合，以提高对单个估计器的鲁棒性。
在我们的目标问题中，一个有趣的想法是构建一个模型集合，该模型可以预测或将特定地址分类为热钱包、冷钱包、存款或取款。我们在IntoTheBlock平台上采用了类似的方法，结果令人鼓舞。
为什么是数据可视化
建立一个健壮的集成模型来对加密货币交易所进行分类是远远不够的。首先，没有足够的关于加密货币交易所的标记数据集来训练复杂的机器学习模型。此外，这些模型中的每一个都考虑了大量的参数组合，这使得解释其决策变得极其困难。从这个角度来看，用健壮的数据可视化框架补充这些机器学习模型可以帮助我们更好地理解集中式加密货币交易所的特征。在IntoTheBlock中，数据可视化的使用已经被证明是理解集中加密货币交易所行为的独特资产。让我们来看看我们发现的一些东西。
集中式加密货币交易所的10种模式
并非所有集中式加密货币交易所创建都是相等的。由于交换结构和交换模式的多样性，加密货币交易所地址的分类也变得极具挑战性。以下是一些你应该知道的最常见的模式：
1)小额存款交易:有些交易所，如波兰交易所，会将少量的存款地址合并成一笔存款交易，放入一个热钱包中。
2)大额存款交易:像Binance这样的其他交易所将大量存款地址的资金合并成单个交易，放入热钱包。
3)小额提现交易:类似地，一些交易所把提现分成几个地址。
4)大额提现交易: 其他交易所使用单个取款交易将资金分配到大量的地址。
5)直接存款:有些交易所直接将资金从存款地址转到热门钱包中。
6)临时存款地址:在资金进入交易所的热钱包之前，其他交易所将资金从存款地址转移到临时地址。
7)UTXO模式:未使用的事交易输出(UTXO)机制经常被集中式交易所用于构建交易。
8)单钱包交易所:像Binance这样的交易所使用单热钱包来处理交易。
9)双热钱包交易所:像Poloniex这样的交交易所使用双热钱包结构，一个热钱包用来接收存款，另一个用来分发取款。
10)多汇转账:BitStamp等交易所定期与Binance等交易所进行交互，获取资金。
这些只是我们在实验中发现的一些早期最明显的模式。IntoTheBlock平台利用大量这类信息，创造出更智能的信号，帮助研究人员和交易员做出更好的决策。然而，最重要的是要认识到，使用机器学习和数据可视化确实有助于更好地理解加密货币交易所的行为，而且还不需要任何深入的信息。