用于以太坊交易网络钓鱼检测的经典集成量子-经典机器学习算法
量子物理
2022-11-02 v1 密码学与安全
机器学习
摘要
以太坊是按锁定的总货币价值计算最有价值的区块链网络之一，并且可以说是新区块链研究与应用的创新展示最活跃的网络。但这也导致以太坊网络易受多种威胁和攻击，以试图获取不合理优势或损害用户价值。即便使用最先进的经典ML算法，检测此类攻击仍很困难。这促使我们构建量子-经典混合算法系统，以改进金融交易网络中的钓鱼检测。本文提出一种经典与量子算法相结合的经典集成流水线，并详细研究基准测试了现有的量子机器学习（QML）算法，如量子支持向量机和变分量子分类器。在当前可用的量子硬件世代下，较小数据集更适合QML模型，且多数研究局限于数百个样本。然而，我们在不同数据规模上进行了实验，并报告了使用12K交易节点测试数据的结果，据作者所知这是迄今为止在任何真实量子硬件上运行的最大QML实验。量子-经典模型的经典集成提升了宏F分数和钓鱼F分数。一个关键观察是QSVM持续给出更低的假阳性，因此相比任何其他经典或量子网络具有更高精度，这始终是任何异常检测问题的首选。无论QSVM单独使用、通过同类模型装袋使用还是与其他经典/量子模型组合使用均如此，使其成为迄今为止最有利的量子算法。所提集成框架具有通用性，可应用于任何分类任务。
引用
@article{arxiv.2211.00004,
title = {Classical ensemble of Quantum-classical ML algorithms for Phishing detection in Ethereum transaction networks},
author = {Anupama Ray and Sai Sakunthala Guddanti and Vishnu Ajith and Dhinakaran Vinayagamurthy},
journal= {arXiv preprint arXiv:2211.00004},
year = {2022}
}