Désanonymisation de clients dans le réseau Bitcoin à l’aide de l’apprentissage automatique
![BITCOIN, Adada L, Hamidache N.-001](https://letresoretudiant.fr/wp-content/uploads/2023/02/BITCOIN-Adada-L-Hamidache-N.-001.jpg)
![BITCOIN, Adada L, Hamidache N.-024](https://letresoretudiant.fr/wp-content/uploads/2023/02/BITCOIN-Adada-L-Hamidache-N.-024.png)
![BITCOIN, Adada L, Hamidache N.-031](https://letresoretudiant.fr/wp-content/uploads/2023/02/BITCOIN-Adada-L-Hamidache-N.-031.png)
![BITCOIN, Adada L, Hamidache N.-058](https://letresoretudiant.fr/wp-content/uploads/2023/02/BITCOIN-Adada-L-Hamidache-N.-058.jpg)
L’évolution technologique a conduit à la création et l’émergence d’une nouvelle forme de monnaie : la monnaie virtuelle ou digitale, baptisée aussi crypto-monnaie. Ce travail concerne la dé-anonymisation des transactions bitcoin, l’une des crypto-monnaies les plus utilisées actuellement, en exploitant les algorithmes d’apprentissage automatique, plus précisément, les réseaux de neurones artificiels. Etant donné que le bitcoin permet des transactions rapides et sécurisées, néanmoins, son niveau d’anonymat devient de plus en plus faible avec l’évolution potentielle des autres différentes technologies. Notre contribution consiste à formuler un modèle d’apprentissage automatique puissant et fiable pour établir la classe de chaque trasactin Bitcoin, en utilisant des données étiquetés qui décrivent ces transitions. Avant ce faire, nous avons effectués, en premier lieu, une étude globale concernant l’apprentissage automatique et la blockchain, en jetant un œil sur les différents types, caractéristiques et algorithmes utilisés pour mieux comprendre le fonctionnement de chaque technologie. Pour dé-anonymiser le client Bitcoin, nous proposons trois modèles de réseaux de neurones profond supervisé, qui prennent en entrée les caractéristiques des transactions collectées par la société Elliptic dans la plateforme kaggle. Ces transactions sont classées selon deux classes (licite/illicite) par les modèles réalisés. Entre autres, nous avons implémenté et évalué ces modèles pour effectuer, par la suite, une comparaison des résultats obtenus afin de tirer le mieux adapté en termes de temps et de puissance.
Introduction
– Contexte du travail
– Problématique
– Contribution
– Organisation du mémoire
I. Apprentissage automatique
1.1 Introduction
1.2 L’intelligence artificielle
1.3 Quelques mots d’histoire
1.4 Définitions de L’apprentissage automatique
1.5 Fonctionnement général de l’apprentissage automatique
1.6 Types d’apprentissage automatique
1.7 Algorithmes d’apprentissage automatique
1.8 Les défis de l’apprentissage automatique
1.9 Domaines d’application de l’AA
1.10 Conclusion
II. Blockchain bitcoin
2.1 Introduction
2.2 Blockchain, c’est quoi ?
2.3 Bitcoin, c’est quoi ?
2.4 Quelque mots d’histoire
2.5 Types de blockchain
2.6 Les caractéristiques essentielles d’une blockchain
2.7 L’écosystème blockchain
2.8 Les algorithmes de sécurité utilisés dans les blockchains
2.9 Concepts principaux d’une blockchain
2.10 Blockchain : comment ça marche ?
2.11 Domaine d’application et types d’usages de la blockchain
2.12 Avantages de la blockchain
2.13 Enjeux et limites de la blockchain
2.14 Conclusion
III. Désanonymisation des clients dans le réseau Bitcoin
3.1 Introduction
3.2 L’anonymat dans la blockchain bitcoin
3.3 Désanonymisation dans le réseau Bitcoin
3.4 Les techniques de désanonymisation dans le réseau Bitcoin
3.5 Phases de désanonymisation
3.6 Autres travaux connexes
3.7 Motivation et objectifs
3.8 Notre approche
3.9 Conclusion
IV. Implémentation
4.1 Introduction
4.2 Langage et environnement de développement
4.3 Jeu de données utilisé
4.4 Mesure d’évaluation
4.5 Extrait du code utilisé
4.6 Entrainement des modèles et résultats obtenus
4.7 Discussion
4.8 Conclusion
V. Conclusion générale
5.1 Synthèse
5.2 Perspective
VI. Bibliographie
- Publié par : Anonyme