GradWATCH：基于梯度感知的以太坊隐私服务下动态窗口图框架
计算工程、金融与科学
2026-03-17 v1
摘要
随着 Web 3.0 技术的快速发展，公共区块链平台正见证新兴服务的出现，这些服务旨在增强用户隐私和匿名性。然而，这些服务固有的强大不可追踪性特征不无吸引力，使其成为寻求洗钱非法资金的犯罪分子的工具。值得注意的是，现有的去匿名化方法在处理此类交易时面临三个主要挑战：高度同质化的交易语义、有限的时序断裂建模能力，以及 insufficient consideration（不足之处）在账户关联图中的结构稀疏性。为此，我们提出了 GradWATCH，用于追踪以太坊隐私服务中的匿名账户。具体而言，我们首先设计一个可学习的账户特征映射模块，从原始链上数据中提取信息丰富的交易语义。随后，我们将交易关系纳入账户关联图，以缓解结构稀疏性的不利影响。为捕捉时序演化，我们进一步提出一种边缘感知的滑动窗口机制，在三个层级上传播和更新梯度。最后，我们通过衡量学习表示空间中账户的嵌入距离来识别由同一实体控制的账户。实验结果表明，即便在标签不平衡和交易稀疏的条件下，GradWATCH 仍能实现显著的性能提升，在 MRR 提升幅度为 1.62%至 15.22%，F1 分数提升幅度为 3.85%至 7.31%。
引用
@article{arxiv.2603.14208,
title = {Tracing Your Account: A Gradient-Aware Dynamic Window Graph Framework for Ethereum under Privacy-Preserving Services},
author = {Miao Shuyi and Qiu Wangjie and Tu Xiaofan and Li Yunze and Wen Yongxin and Zheng Zhiming},
journal= {arXiv preprint arXiv:2603.14208},
year = {2026}
}