Deanonymizing Bitcoin Transactions via Network Traffic Analysis with Semi-supervised Learning

Título: Desanonimización de Transacciones de Bitcoin mediante Análisis de Tráfico de Red con Aprendizaje Semi-supervisado

1. El Problema

Aunque Bitcoin utiliza direcciones que no están directamente vinculadas a identidades del mundo real, la privacidad de los usuarios no está totalmente garantizada. Existen dos tipos principales de ataques de desanonimización:

• Capa de transacción: Agrupa direcciones que pertenecen a la misma entidad (soluciones maduras como servicios de mezcla existen para contrarrestar esto).
• Capa de red: Analiza el tráfico de la red P2P para vincular transacciones con direcciones IP reales de los nodos originadores.

Los métodos existentes de desanonimización en la capa de red tienen limitaciones significativas:

• Los enfoques clásicos basados en el tiempo de difusión son menos efectivos debido a los retrasos aleatorios introducidos por el mecanismo de difusión de Bitcoin.
• El enfoque anterior más avanzado, PERIMETER (basado en aprendizaje no supervisado por Apostolaki et al.), tiene una precisión baja y depende de que un atacante de nivel de Sistema Autónomo (AS) intercepte pasivamente el tráfico, lo cual es vulnerable a la encriptación P2P introducida en versiones recientes de Bitcoin Core (v27.1).
• Los modelos de aprendizaje supervisado puro fallan al generalizar entre diferentes nodos debido a las variaciones en el comportamiento de la red y la configuración de los nodos.

2. Metodología Propuesta

Los autores proponen NTSSL (Network Traffic Analysis via Semi-supervised Learning) y su versión mejorada NTSSL+. El ataque se basa en ocupar conexiones entrantes de un nodo objetivo mediante nodos de sondeo (probe nodes).

A. Recolección de Tráfico (Paso 1)

• El atacante despliega nodos de sondeo que se conectan activamente al nodo objetivo, ocupando sus conexiones entrantes (hasta un máximo de 114 en Bitcoin Core).
• Se captura el tráfico de red entre el nodo objetivo y los nodos de sondeo, enfocándose en tres tipos de mensajes: Inv (anuncio de transacción), Getdata (solicitud de transacción) y Tx (datos de la transacción).

B. Análisis de Tráfico y Extracción de Características (Paso 2 - NTSSL)
Se observa que las transacciones originadas por un nodo se comportan de manera "anómala" en comparación con las reenviadas:

• Características clave extraídas:
  1. Número total de mensajes Inv enviados por el nodo para una transacción (las transacciones propias se envían a más pares).
  2. Número total de mensajes Getdata recibidos (más pares solicitan la transacción propia porque no la han visto antes).
  3. Relación entre Getdata recibidos e Inv enviados.
  4. Suma total de Inv y Getdata.
• Algoritmo NTSSL (Aprendizaje Semi-supervisado):
  • Fase No Supervisada: Se utilizan tres algoritmos (Isolation Forest, Auto Encoder, One-Class SVM) para detectar anomalías en los datos no etiquetados. La intersección de los resultados se usa para generar pseudo-etiquetas de alta confianza (transacciones "anómalas" = originadas).
  • Fase Supervisada: Se utiliza el algoritmo XGBoost para entrenar un modelo con estas pseudo-etiquetas y las características extraídas, mejorando la clasificación final.

C. Análisis Colaborativo de Capas (Paso 3 - NTSSL+)

• Se integra información de la capa de transacción mediante la agrupación de transacciones (clustering).
• Se utiliza la heurística de "múltiples entradas" para agrupar transacciones que pertenecen a la misma billetera.
• Lógica de refinamiento: Si la mayoría de las transacciones en un clúster se identifican como "originadas" por el nodo objetivo, cualquier transacción dentro de ese mismo clúster que NTSSL haya clasificado erróneamente como "reenviada" se corrige a "originada" (reduciendo falsos negativos). Lo inverso aplica para falsos positivos.

3. Contribuciones Clave

1. NTSSL: Un nuevo algoritmo de desanonimización que supera a los enfoques basados en aprendizaje no supervisado (como PERIMETER) al utilizar aprendizaje semi-supervisado para generar etiquetas de entrenamiento de bajo costo y alta precisión.
2. NTSSL+: Una mejora que introduce un análisis colaborativo entre capas (red y transacción), utilizando resultados de agrupación de transacciones para refinar la precisión de la desanonimización.
3. Eficacia frente a Encriptación: El método funciona incluso con la encriptación P2P de Bitcoin Core v27.1, ya que los nodos de sondeo establecen conexiones directas y capturan el tráfico en texto plano antes de que sea encriptado o después de ser descifrado en el punto de entrada del atacante.
4. Barrera de entrada reducida: A diferencia de los ataques de nivel AS, este método puede ser ejecutado por atacantes ordinarios con un número limitado de nodos de sondeo.

4. Resultados Experimentales

Los experimentos se realizaron en la red principal (Mainnet) y de prueba (Testnet) de Bitcoin.

• Comparación con PERIMETER: NTSSL supera significativamente a PERIMETER en todas las métricas (Recall, Precisión, F1-score).
  • Con el 100% de las conexiones interceptadas, NTSSL alcanza un F1-score de 0.74 (vs. 0.53 de PERIMETER).
  • Con solo el 25% de las conexiones interceptadas, NTSSL logra un F1-score de 0.50, mientras que PERIMETER cae a 0.40.
• Impacto de NTSSL+: La incorporación de la agrupación de transacciones mejora el rendimiento de NTSSL entre un 20% y un 40%.
  • En el escenario del 25% de conexiones, NTSSL+ alcanza un F1-score de 0.64.
• Limitaciones del Aprendizaje Supervisado Puro: Se demostró que un modelo supervisado entrenado en un solo nodo no generaliza bien a otros nodos en Mainnet debido a las diferencias en el comportamiento de la red (número de conexiones, actividad de pares), justificando la necesidad del enfoque semi-supervisado.

5. Significado e Implicaciones

• Vulnerabilidad de la Privacidad: El estudio demuestra que la privacidad de Bitcoin es más frágil de lo que se pensaba, incluso con mecanismos de difusión aleatorizada y encriptación P2P. Un atacante con recursos moderados (unos cientos de nodos de sondeo) puede identificar con alta precisión las transacciones originadas por un nodo específico.
• Escalabilidad: El ataque es altamente escalable; los nodos de sondeo pueden reutilizarse para atacar múltiples objetivos a lo largo de la red.
• Contramedidas: Los autores sugieren que el uso de Tor o VPN es efectivo para ocultar la IP real. También mencionan que protocolos como Dandelion++ o Erlay (que propagan transacciones solo a través de conexiones salientes en una fase inicial) podrían mitigar este ataque, aunque introducen latencia.
• Advertencia Ética: El papel subraya que estos hallazgos son críticos para el desarrollo de futuras contramedidas y la mejora de la arquitectura de privacidad de las criptomonedas.

En resumen, el artículo presenta una amenaza real y escalable a la privacidad de Bitcoin, demostrando que la combinación de análisis de tráfico de red y aprendizaje semi-supervisado puede superar las defensas actuales, logrando una precisión de desanonimización sin precedentes con recursos limitados.