积极检测以太坊账户中的异常行为,使用XAI-enabled集体堆叠与贝叶斯优化

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 人工智能的人工智能

背景情况:

• 区块链技术,特别是以太坊,提供安全和透明的交易,但面临着来自网络攻击者的重大安全威胁.
• 漏洞包括网络鱼,庞氏骗局,日食攻击,Sybil攻击和分布式拒绝服务 (DDoS) 事件,需要强大的检测机制.
• 现有的安全解决方案往往缺乏解释性,阻碍了区块链生态系统中的信任和采用.

研究的目的:

• 开发和评估一种新的集体堆叠模型,用于检测以太坊区块链上的可疑活动和潜在威胁.
• 通过贝叶斯优化提高模型的预测准确度,并使用可解释的人工智能 (XAI) 工具提高透明度.
• 提供可靠和可解释的解决方案,以加强区块链安全,并加强以太坊生态系统对抗网络威胁.

主要方法:

• 构建了一个集体堆叠模型,集成随机森林 (RF),极端梯度增强 (XGBoost) 和神经网络 (NN).
• 贝叶斯优化用于微调集团模型的超参数,以最大限度地提高预测性能.
• 使用可解释AI (XAI) 技术,包括SHAP,LIME和ELI5,为模型预测提供可解释的见解.
• 一个数据集的9,841以太坊交易,减少到17个关键功能,被用于培训和验证.

主要成果:

• 拟议的集体堆叠模型在识别欺诈性以太坊交易方面实现了99.6%的高准确率.
• 该模型在威胁检测方面,与其他最先进的方法相比,表现优越.
• XAI工具提供了明确的特征重要性和可解释性,提高了检测过程的透明度.

结论:

• 支持XAI的集体堆叠模型为增强以太坊平台上区块链安全提供了一个高度有效和可解释的解决方案.
• 这种方法通过准确识别和解释安全威胁,显著加强了以太坊生态系统内的信任和可靠性.
• 这些发现突出了集成方法与XAI集成的潜力,以在去中心化系统中实现强大和透明的网络安全.