Fugu-MT 論文翻訳(概要): Detecting Malicious Accounts in Permissionless Blockchains using Temporal Graph Properties

論文の概要: Detecting Malicious Accounts in Permissionless Blockchains using Temporal Graph Properties

arxiv url: http://arxiv.org/abs/2007.05169v2
Date: Thu, 28 Jan 2021 10:58:41 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 21:33:26.277453
Title: Detecting Malicious Accounts in Permissionless Blockchains using Temporal Graph Properties
Title（参考訳）: テンポラルグラフ特性を用いた無許可ブロックチェーンの悪意アカウントの検出
Authors: Rachit Agarwal, Shikhar Barve, Sandeep K. Shukla
Abstract要約: ノードとしてアカウントをモデル化し、トランザクションを指向するグラフのエッジとして -- ブロックチェーンのための時間的特性。これに触発されて、すでに使用されているいくつかのグラフ特性の上にバーストや魅力のような時間的特徴を導入する。我々はさまざまな機械学習(ML)アルゴリズムを訓練し、どのアカウントが悪意があるかを検出するのに最適なアルゴリズムを識別する。
参考スコア（独自算出の注目度）: 4.506782035297339
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The temporal nature of modeling accounts as nodes and transactions as directed edges in a directed graph -- for a blockchain, enables us to understand the behavior (malicious or benign) of the accounts. Predictive classification of accounts as malicious or benign could help users of the permissionless blockchain platforms to operate in a secure manner. Motivated by this, we introduce temporal features such as burst and attractiveness on top of several already used graph properties such as the node degree and clustering coefficient. Using identified features, we train various Machine Learning (ML) algorithms and identify the algorithm that performs the best in detecting which accounts are malicious. We then study the behavior of the accounts over different temporal granularities of the dataset before assigning them malicious tags. For Ethereum blockchain, we identify that for the entire dataset - the ExtraTreesClassifier performs the best among supervised ML algorithms. On the other hand, using cosine similarity on top of the results provided by unsupervised ML algorithms such as K-Means on the entire dataset, we were able to detect 554 more suspicious accounts. Further, using behavior change analysis for accounts, we identify 814 unique suspicious accounts across different temporal granularities.
Abstract（参考訳）: 有向グラフのエッジとしてノードとトランザクションとしてアカウントをモデル化する時間的性質 -- ブロックチェーンでは、アカウントの振る舞い(悪意または良性)を理解することができます。不正ないし良質なアカウントの予測的分類は、パーミッションレスブロックチェーンプラットフォームのユーザによるセキュアな運用を支援するものだ。そこで本研究では,ノード次数やクラスタリング係数など,すでに使用済みのグラフプロパティの上に,バーストや魅力といった時間的特徴を導入する。特定された特徴を用いて、さまざまな機械学習(ML)アルゴリズムを訓練し、どのアカウントが悪意があるかを検出するアルゴリズムを識別する。次に、悪意のあるタグを割り当てる前に、データセットの異なる時間的粒度に対するアカウントの振る舞いを調べる。 ethereumブロックチェーンでは、データセット全体 - extratreesclassifierが教師付きmlアルゴリズムの中で最高のパフォーマンスを示す。一方、データセット全体のK-Meansのような教師なしMLアルゴリズムによって提供される結果に加えて、コサイン類似性を用いて、554以上の不審なアカウントを検出することができた。さらに,アカウントに対する行動変化分析を用いて,異なる時間的粒度にわたる814種類の不審なアカウントを同定した。

関連論文リスト

BlockFound: Customized blockchain foundation model for anomaly detection [47.04595143348698]
BlockFoundは、異常なブロックチェーントランザクション検出のためのカスタマイズされた基盤モデルである。ブロックチェーントランザクションのユニークなデータ構造をモデル化するための、一連のカスタマイズデザインを紹介します。 BlockFoundは、Solana上の異常なトランザクションを高精度に検出する唯一の方法である。
論文参考訳（メタデータ） (2024-10-05T05:11:34Z)
Detecting Anomalies in Blockchain Transactions using Machine Learning Classifiers and Explainability Analysis [4.456941846147711]
本研究は、XAI手法と異常ルールを木に基づくアンサンブル分類器に統合し、異常なビットコイン取引を検出する。我々は,異常なトランザクションデータと非異常なトランザクションデータのバランスをとるために,XGBCLUSというアンダーサンプリングアルゴリズムを導入する。提案するアンサンブル分類器は,精度,TPR,FPRの点で,従来の単木型機械学習分類器よりも優れている。
論文参考訳（メタデータ） (2024-01-07T16:01:51Z)
Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs [16.25273745598176]
暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらした。現在の検出方法は、主に機能工学に依存しているか、あるいは暗号取引ネットワーク内の複雑な情報を活用するのに不十分である。本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。
論文参考訳（メタデータ） (2023-09-04T09:01:56Z)
Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-11T07:48:39Z)
Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文参考訳（メタデータ） (2023-04-25T11:56:18Z)
Learning Hidden Markov Models Using Conditional Samples [72.20944611510198]
本稿では,隠れマルコフモデル(HMM)の学習における計算複雑性について述べる。本稿では,HMMの条件分布からサンプルを問合せする対話型アクセスモデルを提案する。具体的には、正確な条件付き確率に対するクエリアクセスが可能な設定において、HMMを学習するための効率的なアルゴリズムを得る。
論文参考訳（メタデータ） (2023-02-28T16:53:41Z)
Towards Malicious address identification in Bitcoin [3.646526715728388]
時間的特徴セットと非時間的特徴セットを生成し、異なる時間的粒度の機械学習(ML)アルゴリズムを訓練し、手法を検証する。比較分析によると、アドレスとBitcoinの振る舞いは、インディグリー、アウトディグリー、インターイベントタイムと似ている。時間的粒度の異なる悪質な行動を示した3人の被疑者を同定した。
論文参考訳（メタデータ） (2021-12-22T08:11:58Z)
Identity Inference on Blockchain using Graph Neural Network [5.5927440285709835]
アカウントのアイデンティティに関する事前推論を目的としたアイデンティティ推論は、ブロックチェーンセキュリティにおいて重要な役割を果たします。本稿では,id推論タスクをグラフ分類パターンに変換するトランザクションサブグラフの観点から,ユーザの行動を解析するための新しい手法を提案する。また、$textI2 textBGNN$という汎用的なエンドツーエンドグラフニューラルネットワークモデルを提案し、サブグラフを入力として受け入れ、トランザクションサブグラフパターンをアカウントアイデンティティにマッピングする関数を学ぶことができる。
論文参考訳（メタデータ） (2021-04-14T00:15:38Z)
Detecting Malicious Accounts showing Adversarial Behavior in Permissionless Blockchains [4.506782035297339]
悪意ある行為は、bitcoinのような複数の無許可ブロックチェーンにフラグ付けされている。私たちは、他の参加者のアカウントを悪質に悪用したブロックチェーンアカウントを自動的にフラグ付けすることを目指しています。我々は、特定の悪意あるアクティビティの過剰表現によって引き起こされるバイアスに抵抗する頑健な教師付き機械学習(ML)アルゴリズムを同定する。
論文参考訳（メタデータ） (2021-01-28T10:33:50Z)
A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文参考訳（メタデータ） (2020-09-09T18:19:31Z)
Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
論文参考訳（メタデータ） (2020-02-27T18:26:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。