LMAE4Eth：基于交易语义和掩码图嵌入的以太坊欺诈检测通用化与鲁棒性方法
密码学与安全
2025-09-05 v1 机器学习
摘要
当前以太坊欺诈检测方法依赖于与上下文无关的数值交易序列，无法捕捉账户交易的语义。此外，以太坊交易记录中普遍的同质性使得学习判别性账户嵌入具有挑战性。此外，当前的自监督图学习方法主要通过图重建学习节点表示，对于节点级任务如欺诈账户检测效果不佳，而且这些方法还面临可扩展性挑战。为解决这些挑战，我们提出了 LMAE4Eth，一个多视图学习框架，融合交易语义、掩码图嵌入和专家知识。我们首先提出了一种交易标记对比语言模型（TxCLM），将上下文无关的数值交易记录转化为逻辑上连贯的语言表示。为了清晰地表征账户之间的语义差异，我们还使用基于标记的对比学习预训练目标，结合掩码交易模型预训练目标，学习高表达性账户表示。随后，我们提出了一种掩码账户图自编码器（MAGAE），采用生成式自监督学习，专注于重建账户节点特征，从而在节点级账户检测方面实现卓越的性能。为使 MAGAE 能够实现大规模训练，我们提出将图层邻域采样集成到图中，通过数倍减少采样顶点数量而不损害训练质量。最后，我们使用跨注意力融合网络，统一 TxCLM 和 MAGAE 的嵌入，以利用两者的优势。我们在三个数据集上对我们的方法进行评估，对 21 个基线方法进行测试。实验结果显示，在两个数据集上的 F1 分数分别比最佳基线高出 10% 以上。
引用
@article{arxiv.2509.03939,
title = {LMAE4Eth: Generalizable and Robust Ethereum Fraud Detection by Exploring Transaction Semantics and Masked Graph Embedding},
author = {Yifan Jia and Yanbin Wang and Jianguo Sun and Ye Tian and Peng Qian},
journal= {arXiv preprint arXiv:2509.03939},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication