提升以太坊上基于交易的庞氏检测准确率

庞氏骗局这一老式欺诈如今在以太坊区块链上流行，给许多加密投资者造成了可观的财务损失。文献中已提出若干庞氏检测方法，其中多数基于智能合约源代码检测庞氏骗局。这种基于合约代码的方法虽能达到很高准确率，但不够鲁棒，因为庞氏开发者可通过混淆操作码或发明无法被检测的新利润分配逻辑来欺骗检测模型。相反，基于交易的方法可提升检测鲁棒性，因为交易不同于智能合约，更难被操纵。然而，当前基于交易的检测模型准确率相当低。本文旨在通过采用时间序列特征来提升基于交易的模型准确率，这些特征在刻画庞氏应用的生命周期行为中至关重要，却被以往工作完全忽视。我们提出一组新的 85 个特征（22 个已知的基于账户的特征和 63 个新的时间序列特征），使得现成的机器学习算法相比现有工作 F1 分数最高提升 30%。