論文の概要: Blockchain Phishing Scam Detection via Multi-channel Graph
Classification
- arxiv url: http://arxiv.org/abs/2108.08456v1
- Date: Thu, 19 Aug 2021 02:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-20 14:24:47.888167
- Title: Blockchain Phishing Scam Detection via Multi-channel Graph
Classification
- Title（参考訳）: マルチチャネルグラフ分類によるブロックチェーンフィッシング詐欺検出
- Authors: Dunjie Zhang and Jinyin Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.6980621769406918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the popularity of blockchain technology, the financial security issues
of blockchain transaction networks have become increasingly serious. Phishing
scam detection methods will protect possible victims and build a healthier
blockchain ecosystem. Usually, the existing works define phishing scam
detection as a node classification task by learning the potential features of
users through graph embedding methods such as random walk or graph neural
network (GNN). However, these detection methods are suffered from high
complexity due to the large scale of the blockchain transaction network,
ignoring temporal information of the transaction. Addressing this problem, we
defined the transaction pattern graphs for users and transformed the phishing
scam detection into a graph classification task. To extract richer information
from the input graph, we proposed a multi-channel graph classification model
(MCGC) with multiple feature extraction channels for GNN. The transaction
pattern graphs and MCGC are more able to detect potential phishing scammers by
extracting the transaction pattern features of the target users. Extensive
experiments on seven benchmark and Ethereum datasets demonstrate that the
proposed MCGC can not only achieve state-of-the-art performance in the graph
classification task but also achieve effective phishing scam detection based on
the target users' transaction pattern graphs.
- Abstract（参考訳）: ブロックチェーン技術の普及に伴い、ブロックチェーントランザクションネットワークの金融セキュリティ問題はますます深刻化している。
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。
通常、既存研究では、ランダムウォークやグラフニューラルネットワーク(GNN)などのグラフ埋め込み手法を用いて、ユーザの潜在的な特徴を学習することで、フィッシング詐欺検出をノード分類タスクとして定義している。
しかし、これらの検出方法は、トランザクションの時間的情報を無視して、ブロックチェーントランザクションネットワークの大規模化による複雑さに悩まされている。
この問題に対処し,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。
入力グラフからよりリッチな情報を抽出するために,複数の特徴抽出チャネルを持つマルチチャネルグラフ分類モデル(MCGC)を提案する。
トランザクションパターングラフとMCGCは、ターゲット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詐欺を検出することができる。
7つのベンチマークとEthereumデータセットの大規模な実験により、提案したMCGCは、グラフ分類タスクで最先端のパフォーマンスを達成できるだけでなく、ターゲットユーザのトランザクションパターングラフに基づいて効率的なフィッシング詐欺検出を実現できることが示された。
関連論文リスト
- The Kosmosis Use-Case of Crypto Rug Pull Detection and Prevention [0.0]
暗号資産不正を防ぐための現在の手法は、ブロックチェーンネットワーク内のトランザクショングラフの分析に基づいている。
我々は、新しいブロックチェーンとソーシャルメディアデータが利用可能になるにつれて、知識グラフを漸進的に構築することを目的としたKosmosisアプローチを提案する。
論文 参考訳（メタデータ） (2024-05-30T07:17:57Z) - 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) - Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application
of Machine Learning-based Forensics [5.617291981476445]
本論文は,さまざまな手法を用いて,有向グラフネットワークとして表現されるBitcoinトランザクションの現実的なデータセットを解析する。
これは、Graph Convolutional Networks(GCN)とGraph Attention Networks(GAT)として知られるニューラルネットワークタイプが、有望なAML/CFTソリューションであることを示している。
論文 参考訳（メタデータ） (2022-06-07T16:22:55Z) - 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) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - TSGN: Transaction Subgraph Networks for Identifying Ethereum Phishing
Accounts [2.3112192919085826]
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。
論文 参考訳（メタデータ） (2021-04-18T08:12:51Z) - 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) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z) - Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。
本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-22T09:50:04Z)
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。