在基于图形神经网络的区块链网络中检测异常节点

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 数据挖掘 数据挖掘

背景情况:

• 区块链技术的增长导致欺诈活动增加,威胁到用户资产.
• 区块链交易网络可以作为图形建模,欺诈性节点是异常的.
• 图形数据中的类不平衡,其中异常节点是少数的,挑战了传统的检测方法.

研究的目的:

• 为了解决区块链交易网络中检测异常节点的类失衡问题.
• 提出一种新的图形神经网络方法,改进现有的图形数据挖掘技术,用于欺诈检测.

主要方法:

• 开发了一种新的图形神经网络方法,SGAT-BC,增强图形注意网络 (GAT).
• 在GAT框架内纳入了一个子树注意力机制.
• 集成组合学习技术:引导集成 (袋装) 和分类提升 (CAT).

主要成果:

• 拟议的SGAT-BC方法与现有的基线模型相比,表现优越.
• 在四个现实世界的区块链交易数据集上进行了实验,验证了该方法的有效性.
• 在欺诈检测方面,SGAT-BC成功地克服了阶级不平衡所带来的挑战.

结论:

• 该SGAT-BC方法提供了一个强大的解决方案,用于检测区块链网络中的欺诈活动.
• 将GAT与子树注意力和集体学习相结合,对于不平衡的图形数据是一个有前途的方法.
• 这项研究有助于提高区块链交易的安全性和保护用户资产.