从资产流到状态、行为与意图发现：加密货币中的早期恶意检测
机器学习
2023-09-28 v1 人工智能
摘要
由于其交易实体的伪匿名性质，加密货币遭受非法活动的频率可能高于传统金融资产。理想的检测模型应具备三个关键特性：（I）早期检测，（II）良好可解释性，以及（III）对各类非法活动的通用性。然而，现有方案无法满足所有这些需求，因为它们大多重度依赖缺乏可解释性的深度学习，且只能对特定非法类型进行回顾性分析。为应对这些挑战，我们提出Intention-Monitor用于比特币（BTC）中的早期恶意检测，其中某地址的链上记录数据比其他加密货币平台稀缺得多。我们首先通过基于决策树的特征选择与补全（DT-SC）定义资产转移路径，为不同恶意类型构建不同特征集。随后，状态/行为提议模块（S/A-PM）与Intention-VAE模块生成状态、行为、意图片段及隐藏意图片段嵌入。借助这些模块，我们的模型具有高度可解释性，并能检测多种非法活动。此外，精心设计的损失函数进一步提升了预测速度与模型可解释性。在三个真实世界数据集上的大量实验表明，我们所提算法优于最先进方法。进一步的案例研究证实，我们的模型不仅能解释已有非法模式，还能发现新的可疑特征。
引用
@article{arxiv.2309.15133,
title = {From Asset Flow to Status, Action and Intention Discovery: Early Malice Detection in Cryptocurrency},
author = {Ling Cheng and Feida Zhu and Yong Wang and Ruicheng Liang and Huiwen Liu},
journal= {arXiv preprint arXiv:2309.15133},
year = {2023}
}
备注
Accepted by TKDD. arXiv admin note: substantial text overlap with arXiv:2209.12001