CASPER：具有更多负样本的智能庞氏骗局检测对比方法
密码学与安全
2025-07-24 v1 人工智能
摘要
数字货币交易的快速发展，在区块链技术的推动下，既带来了创新，也催生了智能庞氏骗局。智能庞氏骗局是智能合约中的一种欺诈性投资操作，使用新投资者的资金向早期投资者支付回报。基于深度学习的传统庞氏骗局检测方法通常依赖全监督模型，这需要大量标注数据。然而，此类数据往往稀缺，阻碍了有效的模型训练。为了应对这一挑战，我们提出了一种新颖的对比学习框架 CASPER（具有更多负样本的智能庞氏骗局检测对比方法），旨在增强区块链交易中的智能庞氏骗局检测。通过利用对比学习技术，CASPER 能够使用无标签数据集学习智能合约源代码的更有效表示，从而显著降低运营成本和系统复杂性。我们在 XBlock 数据集上对 CASPER 进行了评估，在使用 100% 标注数据训练时，其 F1 分数比基线高 2.3%。更令人印象深刻的是，在仅使用 25% 标注数据的情况下，CASPER 在相同实验条件下的 F1 分数比基线高出近 20%。这些结果突显了 CASPER 在有效且经济高效地检测智能庞氏骗局方面的潜力，为未来可扩展的欺诈检测解决方案铺平了道路。
引用
@article{arxiv.2507.16840,
title = {CASPER: Contrastive Approach for Smart Ponzi Scheme Detecter with More Negative Samples},
author = {Weijia Yang and Tian Lan and Leyuan Liu and Wei Chen and Tianqing Zhu and Sheng Wen and Xiaosong Zhang},
journal= {arXiv preprint arXiv:2507.16840},
year = {2025}
}