用于以太坊钓鱼诈骗检测的自监督增量深度图学习
机器学习
2021-06-21 v1 人工智能
摘要
近年来，钓鱼诈骗已成为以太坊（第二大区块链平台）上涉及金额最大的犯罪类型。同时，图神经网络(GNN)在各种节点分类任务中展现出良好性能。然而，对于可自然抽象为真实世界复杂图的以太坊交易数据，标签的稀缺性与交易数据的海量规模使得难以利用GNN方法。本文中，为应对这两大挑战，我们提出一种自监督增量深度图学习模型(SIEGE)，用于以太坊上的钓鱼诈骗检测问题。在我们的模型中，从空间和时间视角设计的两个预训练任务帮助我们从海量无标签交易数据中有效学习有用的节点嵌入。而增量范式使我们能高效处理大规模交易数据，并帮助模型在数据分布剧烈变化时保持良好性能。我们从以太坊收集了约半年的交易记录，大量实验表明我们的模型在转导与归纳两种设定下均持续优于强基线方法。
引用
@article{arxiv.2106.10176,
title = {Self-supervised Incremental Deep Graph Learning for Ethereum Phishing Scam Detection},
author = {Shucheng Li and Fengyuan Xu and Runchuan Wang and Sheng Zhong},
journal= {arXiv preprint arXiv:2106.10176},
year = {2021}
}