利用时间图属性检测无许可区块链中的恶意账户
机器学习
2021-01-29 v2 社会与信息网络
机器学习
摘要
将账户建模为有向图中的节点、将交易建模为有向边的时间特性——对于区块链而言，使我们能够理解账户的行为（恶意或良性）。将账户预测分类为恶意或良性，可帮助无许可区块链平台的用户以安全方式操作。受此启发，我们在若干已使用的图属性（如节点度和聚类系数）之上引入突发性和吸引力等时间特征。利用已识别的特征，我们训练各种机器学习（ML）算法，并识别出在检测哪些账户为恶意方面表现最佳的算法。然后，我们在为账户分配恶意标签之前，研究账户在数据集不同时间粒度上的行为。对于以太坊区块链，我们确定对于整个数据集——ExtraTreesClassifier在监督式ML算法中表现最佳。另一方面，在整个数据集上基于无监督ML算法（如K-Means）提供的结果使用余弦相似度，我们能够检测出554个更多可疑账户。此外，利用账户的行为变化分析，我们在不同时间粒度上识别出814个独特的可疑账户。
引用
@article{arxiv.2007.05169,
title = {Detecting Malicious Accounts in Permissionless Blockchains using Temporal Graph Properties},
author = {Rachit Agarwal and Shikhar Barve and Sandeep K. Shukla},
journal= {arXiv preprint arXiv:2007.05169},
year = {2021}
}
备注
Submitted to Springer Applied Network Science Journal