面向比特币早期恶意行为检测的意图发现
机器学习
2022-09-27 v1 人工智能
摘要
由于其交易实体的伪匿名性质，比特币遭受非法活动的频率可能高于任何其他金融资产。理想的检测模型应同时具备以下三性质：（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要求，因为大多数严重依赖深度学习而不具备可解释性，且只能用于特定非法类型的回顾性分析。首先，我们提出资产转移路径，旨在描述地址的早期特征。接着，采用基于决策树的特征选择与分割策略，将整个观测周期划分为不同段并将每段编码为段向量。对所有段向量聚类后，我们得到全局状态向量，其本质上是描述整体意图的基本单元。最后，一个分层自注意力预测器实时预测给定地址的标签。一个生存模块告知预测器何时停止并提出状态序列，即意图。精心设计预测器与特定损失函数进一步增强了模型的预测速度与可解释性。在三个真实数据集上的大量实验表明，我们提出的算法优于最优方法。此外，附加案例研究证明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.2209.12001,
title = {Toward Intention Discovery for Early Malice Detection in Bitcoin},
author = {Ling Cheng and Feida Zhu and Yong Wang and Huiwen Liu},
journal= {arXiv preprint arXiv:2209.12001},
year = {2022}
}