利用机器学习分类器与可解释性分析检测区块链交易中的异常
机器学习
2024-01-09 v1 密码学与安全
摘要
随着区块链在数字支付中的应用日益普及，它也容易受到各种恶意攻击。成功检测区块链交易中的异常对于增强数字支付的信任至关重要。然而，由于非法交易发生频率低，区块链交易数据中的异常检测任务具有挑战性。尽管该领域已进行多项研究，但仍存在一个局限性：缺乏对模型预测的解释。本研究旨在通过将可解释人工智能 (XAI) 技术和异常规则集成到基于树的集成分类器中来克服这一局限性，以检测异常的比特币交易。采用 Shapley 加法解释 (SHAP) 方法来衡量每个特征的贡献，该方法与集成模型兼容。此外，我们提出了用于解释比特币交易是否异常的规则。另外，我们引入了一种名为 XGBCLUS 的欠采样算法，旨在平衡异常与非异常交易数据。将该算法与其他常用的欠采样和过采样技术进行了比较。最后，将各种基于树的单一分类器的结果与堆叠和投票集成分类器的结果进行了比较。实验结果表明：(i) 与最先进的欠采样和过采样技术相比，XGBCLUS 提高了 TPR 和 ROC-AUC 分数；(ii) 我们提出的集成分类器在准确率、TPR 和 FPR 分数方面优于传统的基于树的单一机器学习分类器。
引用
@article{arxiv.2401.03530,
title = {Detecting Anomalies in Blockchain Transactions using Machine Learning Classifiers and Explainability Analysis},
author = {Mohammad Hasan and Mohammad Shahriar Rahman and Helge Janicke and Iqbal H. Sarker},
journal= {arXiv preprint arXiv:2401.03530},
year = {2024}
}