以太坊网络鱼骗局检测基于数据增强方法和混合图形神经网络模型
Zhen Chen1,2, Sheng-Zheng Liu1,2, Jia Huang1,2
1College of Information Science Technology, Hainan Normal University, Haikou 571158, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
这项研究介绍了DA-HGNN,这是一种通过增强数据和使用混合图形神经网络来检测以太坊网络鱼诈骗的新方法. 该模型显著提高了检测准确度,确保了加密货币交易的安全.
科学领域:
- 区块链技术 区块链技术
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 区块链的进步促进了加密货币市场的发展,但也使得像以太坊这样的平台上的网络鱼骗局等非法活动成为可能.
- 现有的网络鱼检测方法与不平衡的数据集和有效的特征提取作斗争,危及加密货币交易安全性.
研究的目的:
- 提出一个高效的以太坊网络鱼诈骗检测系统,以提高加密货币交易的安全性和可靠性.
- 解决现有方法在处理样本不平衡和特征提取以检测区块链网络鱼方面的局限性.
主要方法:
- 开发了DA-HGNN (数据增强方法和混合图形神经网络模型),使用基本节点功能和移动窗口采样方法进行数据增强.
- 使用Conv1D和GRU-MHA进行时间特征提取,以及使用SAGEConv的Graph Autoencoder来从交易图节点中学习结构特征.
- 集成的时间,基本和嵌入功能,用于最终的网络鱼欺诈节点识别.
主要成果:
- 在真正的以太坊数据集上,DA-HGNN模型实现了高性能,接收器运行特征曲线 (AUC-ROC) 下的面积为0.994.
- 实现了0.995的回忆和0.994的F1得分,与现有方法和基线模型相比,显示出更高的有效性.
- 数据增强策略有效地平衡了样本,而混合GNN模型成功地提取了关键的时间和结构特征.
结论:
- 拟议的DA-HGNN模型为检测以太坊网络鱼诈骗提供了强大的和有效的解决方案,显著超过目前的方法.
- 这项研究有助于提高加密货币生态系统的安全性,通过提供一种更可靠的方法来识别和减轻网络鱼威胁.
- 数据增强和混合图形神经网络框架的整合为区块链中的未来网络安全研究提供了一个有希望的方向.
