基于域不变特征学习的以太坊混合服务账户关联分析
密码学与安全
2025-05-16 v1
摘要
以太坊混合服务如 Tornado Cash 所提供的交易不可追溯性，对区块链安全性和金融监管构成了重大挑战。现有方法在关联混合账户时 suffer from 有限的标记数据和易受噪声标注影响，限制了其实际应用。本文提出了 StealthLink，一种通过跨任务域不变特征学习来解决这些限制的新型框架。我们的关键创新在于将来自已研究领域的知识（区块链异常检测）转移到数据稀缺的混合交易追踪任务中。具体而言，我们设计了一个 MixFusion 模块，用于构建和编码混合子图以捕获局部交易模式，同时引入一种通过对抗性差异最小化来对齐跨域中判别性特征的知识迁移机制。这种双重方法使我们能够在标记稀缺和分布迁移的情况下进行稳健的特征学习。在真实世界的混合交易数据集上进行的大量实验表明，StealthLink 在 10 -shot 学习场景中实现了 96.98% 的 F1 分数。值得注意的是，我们的框架在不平衡数据条件下优于常规监督方法。该工作首次系统性地应用于区块链法学中的跨域知识迁移，为应对去中心化生态系统中基于隐私的金融犯罪提供了实用解决方案。
引用
@article{arxiv.2505.09892,
title = {Correlating Account on Ethereum Mixing Service via Domain-Invariant feature learning},
author = {Zheng Che and Taoyu Li and Meng Shen and Hanbiao Du and Liehuang Zhu},
journal= {arXiv preprint arXiv:2505.09892},
year = {2025}
}
备注
Cryptocurrency, Ethereum, mixing services, GNN