区块链与机器学习用于欺诈检测：一种隐私保护且基于自适应激励的方法
密码学与安全
2022-10-25 v1 分布式、并行与集群计算
摘要
即便在当下技术进步的背景下，金融欺诈案件仍在上升。由于缺乏组织间协同且出于隐私顾虑，真实的金融交易数据鲜可获得。另一方面，机器学习等数据驱动技术需要真实数据以在现实系统中精确运行。本研究提出一种基于区块链与智能合约的方法，通过促进组织间协作来实现用于电商欺诈检测的鲁棒机器学习（ML）算法。所提方法使用区块链保障数据隐私。部署于网络内的智能合约使系统完全自动化。ML 模型由连接至区块链的各组织提供的协作数据增量升级。为激励各组织，我们引入了自适应于模型更新难度级别的激励机制。各组织依据更新 ML 模型所面临的难度获得激励。已提出一种挖矿准则以高效挖出区块。最后，该区块链网络在不同难度级别与不同数据量下接受测试以检验其效率。模型在八次增量更新上取得 98.93% 测试准确率与 98.22% Fbeta 分数（召回偏向的 f 度量）。我们的实验显示数据量与区块链难度级别均影响挖矿时间。对于小于五的难度级别，挖矿时间与难度级别呈正相关。对于难度级别二与三，系统中挖出一个区块所需时间少于一秒。难度级别五对挖出区块造成大得多困难。
引用
@article{arxiv.2210.12609,
title = {Blockchain and Machine Learning for Fraud Detection: A Privacy-Preserving and Adaptive Incentive Based Approach},
author = {Tahmid Hasan Pranto and Kazi Tamzid Akhter Md Hasib and Tahsinur Rahman and AKM Bahalul Haque and A. K. M. Najmul Islam and Rashedur M. Rahman},
journal= {arXiv preprint arXiv:2210.12609},
year = {2022}
}