Classificação das Carteiras na BLOCKCHAIN ETHEREUM usando MACHINE LEARNING

O interesse em compreender o tipo de carteiras por trás das transações registadas na blockchain Ethereum tem crescido consideravelmente. Isso deve-se ao facto desta análise permitir perceber os comportamentos das transações e obter informações antecipadas sobre os movimentos dos grandes detentores da Ether, fornecendo uma visão valiosa do comportamento do mercado e tornando-se uma fonte de informações estratégicas cruciais para investidores e observadores do ecossistema de criptomoedas. O objetivo deste trabalho é aplicar métodos de análise de dados e Machine Learning que permitam classificar o tipo de carteiras através das características das transações. Sendo uma área recente, a maioria da literatura concentra-se na deteção dos endereços de anomalia. A análise de tipo de carteiras por grau de segurança é uma área de pesquisa académia limitada, pois a própria definição das carteiras é subjetiva. Assim, com esta dissertação pretende-se realizar uma classificação das carteiras, caraterizando os grupos de carteiras com rótulos publicamente estabelecidos e os grupos de carteiras com rótulos definidas através das características essenciais recorrendo a técnicas de análise de dados. A análise dos dados passa pela extração dos dados brutos até à aplicação de algoritmos de Machine Learning. Assim, foram considerados vários modelos para fazer a classificação de tipos de carteiras, como Regressão Logística, Random Forest, AdaBoost e GradientBoosting. A validação e comparação dos modelos elaborados foi feita de acordo com várias medidas como accuracy, precisão, sensibilidade, especificidade, F_Score, e AUC. A validação cruzada é o método escolhido para a avaliação dos modelos. Dos resultados obtidos para dados de transações de Ethereum entre 2016 e 2023, conclui-se que as metodologias aqui proposta constituem uma ferramenta importante na classificação de carteiras Ethereum.