Платформа Kraken в даркнете продолжает привлекать пользователей благодаря высокому уровню анонимности и широкому ассортименту товаров. Однако с популярностью приходит и угроза фишинговых атак, на которые попадают многие пользователи. В этой статье мы рассмотрим, как защититься от фишинга, а также особенности платформы и её место на наркорынке СНГ. Наконец, мы исключили товары, которые, хотя и были классифицированы как кокаин, не были настоящими кокаиновыми изделиями, такими как лидокаин и подобные вещества, а также товары, для которых указанное количество в граммах было неясно. Таким образом, завершенный набор данных включал 4160 объявлений о кокаине от 714 продавцов. Объявления о кокаине на AlphaBay были объектом анализа в этом исследовании. Мы использовали количество транзакций, предоставленных платформой, вместо количества отзывов, оставленных покупателями, для оценки продаж. Такой подход имеет две основные причины. Первое, что отличает AlphaBay от других платформ, заключается в том, что каждое объявление имеет определенное количество продаж. Во-вторых, поскольку не все клиенты оставляют отзывы после сделки, мы считаем, что измерения на этой платформе более надежны. Скорее всего, репутация продавца оценивается на уровне продавца с помощью двух переменных: процента положительных и отрицательных отзывов, а также процента нейтральных отзывов. Дни продажи — это термин, который описывает количество дней, в течение которых продукт был доступен на рынке на момент сбора данных. Происхождение человека является дополнительным фактором, который требует анализа. Если продавцы не указали свою национальность, платформы присваивают метку всемирный, чтобы показать, откуда они происходят.
Одной из самых распространённых угроз на площадке Kraken являются фишинговые сайты. Мошенники создают поддельные копии сайта, чтобы обманом получить личные данные пользователей или украсть криптовалюту. Проблема фишинга особенно актуальна для новых пользователей, которые не всегда знают, как отличить официальный сайт от поддельного. В зависимости от количества случаев в каждом регионе мы группировали страны по континентам: Азия, Африка, Европа, Океания, Северная Америка и Южная Америка. Обратите внимание, что в настоящее время в этом наборе данных нет записей о кокаине из Африки. Из-за ограниченного количества случаев в некоторых странах была необходима эта макрокатегоризация. Мы также добавили фиктивную переменную для отправки, которую называли международной, если место отправления отличалось от места назначения, или национальной, если место отправления совпадало с местом назначения. Переменная граммы была создана путем извлечения количества объявлений из заголовков и описаний объявлений. В результате цена за грамм была разделена на количество граммов. Кроме того, была создана фиктивная переменная, предназначенная для определения метода оплаты. В то время как значение 0 указывает на возможность досрочной оплаты, значение 1 указывает на продукты, предлагаемые через эскроу-платеж. Мы создали четыре темы с помощью латентного дирихлеевского распределения, чтобы проверить H1 и определить, насколько увеличивает предоставление информации о доставке продажи. (ЛДА). Одним из этих вопросов была именно семантическая структура доставки. Благодаря этой классификации мы можем оценить влияние, которое включение информации о доставке в описания товаров влияет на поведение покупателей и общую эффективность продаж. Мы использовали анализ настроений, метод, который облегчает категоризацию полярности настроений, чтобы проверить гипотезу H2. Цель анализа настроений в описании продукта заключается в том, чтобы присвоить тексту оценку. Мы использовали словарь AFINN, состоящий из английских слов с баллами от -5 (для негативного настроения) до +5 (для позитивных чувств).
Чтобы защитить себя, рекомендуется использовать только проверенные официальные ссылки Kraken и зеркала. Кроме того, не забудьте активировать двухфакторную аутентификацию для повышения безопасности вашего аккаунта. Мы получили общий балл для каждого текста, который мы анализировали, добавляя баллы для каждого слова, включенного в лексикон AFINN. Мы использовали масштабирование min-max, метод преобразования данных в диапазон от 0 до 1, потому что эта переменная представляет результаты текстов различной длины. Благодаря этой процедуре нормализации значения данных находятся в пределах определенного интервала. Мы также добавили текстовые меры, такие как разнообразие лексики в описаниях продуктов и длина текста. Первая переменная использует количественные оценки отдельных слов в сообщении для измерения языкового разнообразия каждого описания объявления. Предназначен для оценки влияния языкового разнообразия на продажи и определяется путем деления общей суммы слов на количество уникальных слов. На основе исследования, которое показало, что богатство текста с точки зрения языкового разнообразия может лучше привлечь внимание пользователей и увеличить их вовлеченность, мы добавили эту переменную. Мы также увеличили длину каждого описания, чтобы сравнить их с средней длиной предложения кокаина на рынке, разделив их на среднюю длину предложения кокаина на рынке. Значение меньше одного указывает на то, что длина описания была меньше среднего. Однако значения более одного указывали на то, что длина описания была более средней.
Платформа Kraken предлагает своим пользователям широкий ассортимент товаров, среди которых:
Употребление наркотиков, представленных на Kraken, может вызвать как краткосрочные эффекты, так и долгосрочные негативные последствия:
После закрытия Гидры, Kraken быстро укрепил свои позиции на наркорынке СНГ, став одной из наиболее популярных площадок. Основными преимуществами Kraken являются высокие стандарты безопасности и стабильность работы сайта. Несмотря на сильную конкуренцию со стороны таких платформ, как MEGA и BlackSprut, Kraken удерживает лидерство благодаря анонимности транзакций и регулярным обновлениям зеркал для обхода блокировок. Эта переменная определяет, имеют ли продавцы с длинным описанием преимущество на рынке. GAM с максимальным правдоподобием и распределением Твидди использовались для изучения взаимосвязи между ранее описанными переменными и их влиянием на продажи. Благодаря использованию GAM в этом контексте мы можем моделировать линейные и нелинейные зависимости, учитывая возможные взаимодействия между предикторами и их влияние на зависимую переменную. (продажи). Распределение Твиди идеально подходит для данных с асимметрией и избыточными нулями, которые часто встречаются в продажах. Исследователи могут использовать обобщенные аддитивные модели (GAM) с максимальным правдоподобием и распределением Твидди для оценки взаимосвязи между интересующими переменными и продажами, учитывая нелинейные эффекты и особенности распределения ответных переменных. Этот метод моделирования дает полезные данные о факторах, влияющих на продажи. Поскольку модель GAM не требует указания степени полинома, она лучше подходит для полиномиальной регрессии, что снижает риск недообработки или переобработки. Метод GAM особенно полезен для даркнета, где предыдущие исследования показали, что зависимости между репутацией и продажами нелинейны, а целевая переменная — продажи — демонстрировала левостороннюю асимметрию. Кроме того, проще интерпретировать модели GAM, чем модели машинного обучения. Начали с подключения модели M1, которая не содержала переменных текстового анализа. После этого мы добавили текстовые предсказатели в модель, что привело к созданию модели M2. Тему 2, оценку сентимента, лексическое разнообразие и длину текста были добавлены к переменным M2. Цель состояла в том, чтобы сравнить производительность моделей. Когда мы сравнивали параметры качества подгонки M1 и M2, мы обнаружили, что добавление текстовой переменной привело к улучшению; в M1 объясненная дисперсия увеличилась с 53,2 % до 55,9 %. Кроме того, в модели M2 AIC снизился с 23,724 до 23,526, а BIC снизился с 24,001 до 23,832. Эти улучшения в соответствии модели показывают, что по сравнению с первоначальными моделями, которые не имели текстовых предикторов, модели с добавленными предикторами, основанными на гипотезах, представляют более ясное и точное представление данных. Эмпирические доказательства для гипотез 1 и 2 были получены путем анализа влияния предикторных переменных. Когда тема 2 — информация о доставке — была указана в описании объявления по сравнению с предложениями без этой информации, модель 2 показала увеличение продаж на 61,6 процента. Рассчитанное увеличение составило [(exp (0.48) - 1) * 100]. Пример описания объявления, которое имело высокую вероятность принадлежности к теме 2, можно найти в Приложении A4. Модель M2 предоставила эмпирическое подтверждение теоретической структуры гипотезы 1. Результаты показали положительную и статистически значимую связь между переменной результата (продажи) и нормализованным показателем настроения. В частности, было показано, что коэффициенты оценки сентимента в обеих моделях были положительными, с коэффициентом 1,28 для модели M2 и с коэффициентом значимости P < 0.001, что подтверждает гипотезу 1. Это означает, что предполагаемые продажи также увеличиваются на 260,5 % с увеличением стандартизированного показателя настроений (в диапазоне от 0 до 1). Это соответствует теоретическим ожиданиям, описанным ранее в исследовании. Для примера описания продукта с высоким положительным настроением смотрите дополнительный материал A5. Удивительно, что мы обнаружили, что более высокое разнообразие языков привело к значительным снижению продаж в обеих моделях. Аналогичным образом было обнаружено, что увеличение длины текста совпадает со снижением продаж; однако следует отметить, что эта связь не имела статистической значимости. Мы обнаружили, что данные, полученные нами по другим переменным модели, совпадают с исследованиями, опубликованными в настоящее время. В частности, коэффициент на объявления, используя эскроу в качестве метода оплаты, был отрицательным и значимым для обеих моделей; для M2 он составил −0,96. Эти выводы подтверждают предыдущие исследования в этой области. В обеих моделях наш анализ показал положительный и значимый коэффициент для списков из Европы, Северной Америки, Океании и Южной Америки в отношении происхождения списков. Это показывает, что продажи были выше для предложений, которые явно указывали на то, что они происходят из этих регионов, чем для предложений, которые не делали этого. С другой стороны, коэффициент для Азии был положительным, но статистически незначительным. Таким образом, явное указание на происхождение на рынке кокаина увеличивает продажи. В заключение, обе модели показали, что международные отправления (когда страна происхождения продукта отличалась от страны назначения) снижают продажи. Международный коэффициент был действительно отрицательным и статистически значимым. Более подробная информация о гладких условиях находится в приложении A6. Проблема социального порядка на даркнет-рынках имеет решающее значение, поскольку государство не контролирует эти тайные транзакции, что позволило бы установить стандарты и предотвратить агрессивное поведение продавцов или платформ. Кроме того, продавцы и платформы подвергаются постоянным угрозам со стороны правоохранительных органов, что делает риски экономических сделок еще более высокими. Одной из основных проблем, связанных с такими сделками, является проблема координации между участниками, поскольку отсутствие доверия и асимметричная информация могут разрушить сотрудничество. Эта проблема становится еще более важной, потому что для того, чтобы извлечь выгоду из экономических сделок, продавцы и покупатели должны принимать на себя ряд рисков, таких как задержание правоохранительными органами во время доставки и потенциальная потеря средств в случае изъятия активов платформы или мошенничества. Кроме того, продавцы могут обманывать клиентов. Чтобы решить проблему социального порядка, платформы и продавцы внедрили различные модальности социального влияния. Существующие исследования связали социальный порядок даркнета с такими вещами, как репутация и повторные взаимодействия. Насколько нам известно, исследования до сих пор не исследовали, как текст объявления влияет на продажи на рынках даркнета. Цель этого исследования состоит в том, чтобы исследовать, как включение описательного текста влияет на онлайн-продажи на крупном даркнет-рынке.
Kraken активно конкурирует с другими площадками, и пользователи отмечают ряд ключевых преимуществ этой платформы:
Чтобы минимизировать риски при работе с площадкой Kraken, необходимо придерживаться ряда правил:
Платформа Kraken остаётся одной из ведущих на наркорынке СНГ благодаря анонимности, безопасности и широкому ассортименту товаров. Однако пользователям следует быть внимательными, чтобы не стать жертвами фишинга, и всегда использовать только проверенные ссылки, такие как официальное зеркало Kraken. Соблюдение простых правил безопасности поможет вам оставаться защищённым и минимизировать риски при работе с даркнет-платформами.