通过多通道图分类进行区块链钓鱼诈骗检测
机器学习
2021-08-20 v1
摘要
随着区块链技术的普及，区块链交易网络的金融安全问题日益严峻。钓鱼诈骗检测方法将保护潜在受害者并构建更健康的区块链生态。通常，现有工作通过将钓鱼诈骗检测定义为节点分类任务，借助随机游走或图神经网络（GNN）等图嵌入方法学习用户的潜在特征。然而，这些检测方法因区块链交易网络规模庞大而面临高复杂度，且忽略了交易的时间信息。针对该问题，我们为用户定义了交易模式图，并将钓鱼诈骗检测转化为图分类任务。为从输入图中提取更丰富的信息，我们提出了一种具有多个特征提取通道的 GNN 多通道图分类模型（MCGC）。交易模式图与 MCGC 更能通过提取目标用户的交易模式特征来检测潜在钓鱼诈骗者。在七个基准与以太坊数据集上的大量实验表明，所提出的 MCGC 不仅能在图分类任务中达到 SOTA 性能，还能基于目标用户的交易模式图实现有效的钓鱼诈骗检测。
引用
@article{arxiv.2108.08456,
title = {Blockchain Phishing Scam Detection via Multi-channel Graph Classification},
author = {Dunjie Zhang and Jinyin Chen},
journal= {arXiv preprint arXiv:2108.08456},
year = {2021}
}