論文の概要: TSGN: Transaction Subgraph Networks for Identifying Ethereum Phishing Accounts

• arxiv url: http://arxiv.org/abs/2104.08767v2
• Date: Tue, 20 Apr 2021 13:48:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 11:26:53.144392
• Title: TSGN: Transaction Subgraph Networks for Identifying Ethereum Phishing Accounts
• Title（参考訳）: tsgn:ethereumフィッシングアカウントを識別するためのトランザクションサブグラフネットワーク
• Authors: Jinhuan Wang and Pengtao Chen and Shanqing Yu and Qi Xuan
• Abstract要約: トランザクションサブグラフネットワーク(TSGN)ベースの分類モデルにより、フィッシングアカウントを識別する。 TSGNは、フィッシングアカウントの識別に役立つより多くの潜在的な情報を提供することができます。
• 参考スコア（独自算出の注目度）: 2.3112192919085826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Blockchain technology and, in particular, blockchain-based transaction offers us information that has never been seen before in the financial world. In contrast to fiat currencies, transactions through virtual currencies like Bitcoin are completely public. And these transactions of cryptocurrencies are permanently recorded on Blockchain and are available at any time. Therefore, this allows us to build transaction networks (TN) to analyze illegal phenomenons such as phishing scams in blockchain from a network perspective. In this paper, we propose a Transaction SubGraph Network (TSGN) based classification model to identify phishing accounts in Ethereum. Firstly we extract transaction subgraphs for each address and then expand these subgraphs into corresponding TSGNs based on the different mapping mechanisms. We find that TSGNs can provide more potential information to benefit the identification of phishing accounts. Moreover, Directed-TSGNs, by introducing direction attributes, can retain the transaction flow information that captures the significant topological pattern of phishing scams. By comparing with the TSGN, Directed-TSGN indeed has much lower time complexity, benefiting the graph representation learning. Experimental results demonstrate that, combined with network representation algorithms, the TSGN model can capture more features to enhance the classification algorithm and improve phishing nodes' identification accuracy in the Ethereum networks.
• Abstract（参考訳）: ブロックチェーン技術、特にブロックチェーンベースのトランザクションは、金融業界でこれまで見たことのない情報を提供します。 フィアット通貨とは対照的に、Bitcoinのような仮想通貨による取引は完全に公開されている。 暗号通貨の取引はブロックチェーンで永久に記録され、いつでも利用できる。 したがって、ネットワークの観点からブロックチェーンにおけるフィッシング詐欺のような違法な現象を分析するために、トランザクションネットワーク(TN)を構築することができる。 本稿では,ethereumにおけるフィッシングアカウントを識別するためのトランザクションサブグラフネットワーク(tsgn)に基づく分類モデルを提案する。 まず、各アドレスのトランザクションサブグラフを抽出し、異なるマッピング機構に基づいてこれらのサブグラフを対応するTSGNに拡張する。 TSGNは、フィッシングアカウントの識別に役立てるために、より潜在的な情報を提供することができる。 さらに、Directed-TSGNは、方向属性を導入することで、フィッシング詐欺の重要なトポロジ的パターンをキャプチャするトランザクションフロー情報を保持できる。 TSGNと比較すると、Directed-TSGNは時間の複雑さがはるかに低く、グラフ表現学習の恩恵を受けている。 実験により、ネットワーク表現アルゴリズムと組み合わせることで、TSGNモデルはより多くの特徴を捉え、分類アルゴリズムを強化し、Ethereumネットワークにおけるフィッシングノードの識別精度を向上させることができることが示された。

関連論文リスト

• 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)
• Motif-aware temporal GCN for fraud detection in signed cryptocurrency trust networks [8.82136716762572]
  グラフ畳み込みネットワーク(GCN)はグラフとして表現可能なデータ処理に使用される。 本研究では,暗号ネットワークの進化的性質を考察し,局所構造とバランス理論を用いてトレーニングプロセスの導出を行う。 bitcoin-alphaとbitcoin-otcデータセットの実験的結果は、提案されたモデルが文献上のモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-22T02:03:27Z)
• Graph Regularized Nonnegative Latent Factor Analysis Model for Temporal Link Prediction in Cryptocurrency Transaction Networks [1.6801544027052142]
  ネットワークのリンク予測学習構造は,ネットワークのメカニズムを理解する上で有用である。 本稿では,1つの潜在因子依存型,非負性,乗算型,グラフ正規化型更新(SLF-NMGRU)アルゴリズムを提案する。 実際の暗号通貨取引ネットワークの実験により,提案手法は精度と計算効率の両方を向上することを示した。
  論文  参考訳（メタデータ） (2022-08-03T08:58:59Z)
• FlowX: Towards Explainable Graph Neural Networks via Message Flows [59.025023020402365]
  グラフニューラルネットワーク(GNN)の動作メカニズム解明へのステップとして,その説明可能性について検討する。 本稿では,重要なメッセージフローを識別してGNNを説明するために,FlowXと呼ばれる新しい手法を提案する。 そこで我々は,多様な説明対象に向けて,フロースコアを学習するための情報制御学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-26T22:48:15Z)
• TTAGN: Temporal Transaction Aggregation Graph Network for Ethereum Phishing Scams Detection [11.20384152151594]
  既存のフィッシング詐欺検出技術は、主に機械学習またはネットワーク表現学習を使用して、トランザクションネットワークから鍵情報をマイニングし、フィッシングアドレスを識別する。 本稿では、フィッシング検出性能を向上させるための時間トランザクション集約グラフネットワーク(TTAGN)を提案する。 我々のTTAGN (92.8% AUC, 81.6% F1score) は最先端の手法よりも優れており, 時間的エッジ表現とエッジ2ノードモジュールの有効性も示されている。
  論文  参考訳（メタデータ） (2022-04-28T12:17:00Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Blockchain Phishing Scam Detection via Multi-channel Graph Classification [1.6980621769406918]
  フィッシング詐欺検出方法は、被害者を保護し、より健全なブロックチェーンエコシステムを構築する。 ユーザのためのトランザクションパターングラフを定義し,フィッシング詐欺検出をグラフ分類タスクに変換する。 提案したマルチチャネルグラフ分類モデル(MCGC)は,対象ユーザのトランザクションパターンの特徴を抽出することにより,潜在的なフィッシングを検出することができる。
  論文  参考訳（メタデータ） (2021-08-19T02:59:55Z)
• Temporal-Amount Snapshot MultiGraph for Ethereum Transaction Tracking [5.579169055801065]
  ネットワークの観点からのトランザクションのより深い理解を提供するリンク予測によるトランザクション追跡の問題について検討する。 具体的には,TASMG(temporal-amount snapshot multigraph)とTAW(temporal-amount walk)からなる組込みリンク予測フレームワークを提案する。 トランザクションネットワークの現実的なルールと特徴を考慮することにより、TASMGはトランザクションレコードを時間単位のネットワークとしてモデル化し、TAWはトランザクションレコードを介してアカウントを効果的に埋め込みます。
  論文  参考訳（メタデータ） (2021-02-16T08:21:16Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• DeeperGCN: All You Need to Train Deeper GCNs [66.64739331859226]
  グラフ畳み込みネットワーク(GCN)はグラフ上での表現学習の力で注目されている。 非常に深いレイヤを積み重ねることのできる畳み込みニューラルネットワーク(CNN)とは異なり、GCNはより深く進むと、勾配の消失、過度なスムース化、過度に適合する問題に悩まされる。 本稿では,非常に深いGCNを正常かつ確実に訓練できるDeeperGCNを提案する。
  論文  参考訳（メタデータ） (2020-06-13T23:00:22Z)

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。