概率采样增强的时空GCN：一种用于以太坊网络交易异常检测的可扩展框架
机器学习
2023-10-03 v1 人工智能
密码学与安全
摘要
以太坊网络的快速发展需要复杂技术以保障其抵御潜在威胁的鲁棒性并维持透明度。尽管图神经网络（GNN）在此类平台的异常检测中开创了先河，但捕捉空间与时间交易模式的复杂性仍具挑战。本研究提出将图卷积网络（GCN）与由概率采样增强的时间随机游走（TRW）相融合以弥合此差距。与传统 GCN 不同，我们的方法利用 TRW 的优势辨识以太坊交易中的复杂时间序列，从而提供更精细的交易异常检测机制。初步评估表明，我们的 TRW-GCN 框架在检测异常与交易爆发方面相较常规 GCN 大幅提升了性能指标。本研究不仅凸显了以太坊交易数据中时间线索的潜力，也为保障去中心化平台的安全与透明提供了可扩展且有效的方法。通过同时利用空间关系与基于时间的交易序列作为节点特征，我们的模型引入了额外的粒度层，使检测过程更鲁棒且更不易产生误报。本工作为旨在优化并增强区块链技术透明度的未来研究奠定基础，并证明了在演进不息的去中心化平台格局中同时考量时间与平面维度的重要性。
引用
@article{arxiv.2310.00144,
title = {Probabilistic Sampling-Enhanced Temporal-Spatial GCN: A Scalable Framework for Transaction Anomaly Detection in Ethereum Networks},
author = {Stefan Kambiz Behfar and Jon Crowcroft},
journal= {arXiv preprint arXiv:2310.00144},
year = {2023}
}