通过账户交互学习实现跨平台恶意加密货币交易检测
密码学与安全
2024-11-01 v1
摘要
随着Web3.0的快速发展，加密货币已成为去中心化金融的基石。尽管这些数字资产能够实现高效、无国界的金融交易，但其假名性质也吸引了洗钱、欺诈和其他金融犯罪等恶意活动。有效检测恶意交易对于维护Web 3.0生态系统的安全性和完整性至关重要。现有的恶意交易检测方法依赖于大量标记数据，且泛化能力较低。标签高效且泛化能力强的恶意交易检测仍然是一项具有挑战性的任务。在本文中，我们提出了ShadowEyes，一种新颖的恶意交易检测方法。具体来说，我们首先提出了一种名为TxGraph的广义图结构作为恶意交易的表示，它捕获了每个恶意账户及其邻居的交互特征。然后，我们精心设计了一种数据增强方法，专门用于模拟恶意交易的演化以生成正样本对。为了缓解账户标签稀缺问题，我们进一步设计了一种图对比机制，使ShadowEyes能够从未标记数据中有效学习判别性特征，从而增强其在真实场景中的检测能力。我们使用公开数据集进行了大量实验来评估ShadowEyes的性能。结果表明，它在四种典型场景中均优于最先进（SOTA）方法。具体来说，在零样本学习场景中，它在识别赌博交易方面可以达到76.98%的F1分数，比SOTA方法高出12.05%。在跨平台恶意交易检测场景中，ShadowEyes保持了约90%的F1分数，比SOTA方法高出10%。
引用
@article{arxiv.2410.23563,
title = {Across-Platform Detection of Malicious Cryptocurrency Transactions via Account Interaction Learning},
author = {Zheng Che and Meng Shen and Zhehui Tan and Hanbiao Du and Liehuang Zhu and Wei Wang and Ting Chen and Qinglin Zhao and Yong Xie},
journal= {arXiv preprint arXiv:2410.23563},
year = {2024}
}