論文の概要: Data-driven Smart Ponzi Scheme Detection

• arxiv url: http://arxiv.org/abs/2108.09305v1
• Date: Fri, 20 Aug 2021 07:45:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 01:50:58.616070
• Title: Data-driven Smart Ponzi Scheme Detection
• Title（参考訳）: データ駆動型スマートポンジスキーム検出
• Authors: Yuzhi Liang, Weijing Wu, Kai Lei and Feiyang Wang
• Abstract要約: スマートPonziスキームは、スマートコントラクトアカウントと暗号通貨を使用してPonziスキームを実装する、新しいタイプの経済犯罪である。 本稿では,データ駆動型スマートPonziスキーム検出システムを提案する。 従来の手法と比較して、提案システムは非常に限定的な人間とコンピュータの相互作用を必要とする。
• 参考スコア（独自算出の注目度）: 11.467476506780969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A smart Ponzi scheme is a new form of economic crime that uses Ethereum smart contract account and cryptocurrency to implement Ponzi scheme. The smart Ponzi scheme has harmed the interests of many investors, but researches on smart Ponzi scheme detection is still very limited. The existing smart Ponzi scheme detection methods have the problems of requiring many human resources in feature engineering and poor model portability. To solve these problems, we propose a data-driven smart Ponzi scheme detection system in this paper. The system uses dynamic graph embedding technology to automatically learn the representation of an account based on multi-source and multi-modal data related to account transactions. Compared with traditional methods, the proposed system requires very limited human-computer interaction. To the best of our knowledge, this is the first work to implement smart Ponzi scheme detection through dynamic graph embedding. Experimental results show that this method is significantly better than the existing smart Ponzi scheme detection methods.
• Abstract（参考訳）: smart ponzi schemeは、ethereumスマートコントラクトアカウントと暗号通貨を使用してponziスキームを実装する、新しいタイプの経済犯罪である。 スマートPonziスキームは、多くの投資家の興味を害してきたが、スマートPonziスキームの検出に関する研究は依然として非常に限られている。 既存のスマートポンジスキーム検出手法は、機能工学やモデルポータビリティの貧弱さにおいて多くの人材を必要とする。 本稿では,これらの問題を解決するために,データ駆動型スマートポンジ・スキーム検出システムを提案する。 このシステムは動的グラフ埋め込み技術を用いて、アカウントトランザクションに関連するマルチソースおよびマルチモーダルデータに基づいて、アカウントの表現を自動的に学習する。 従来の手法と比較して、提案システムは非常に限定的な人間とコンピュータの相互作用を必要とする。 我々の知る限りでは、動的グラフ埋め込みによるスマートPonziスキーム検出の実装はこれが初めてである。 実験結果から,本手法は既存のスマートポンジスキーム検出法よりもはるかに優れていることがわかった。

関連論文リスト

• Semantic Sleuth: Identifying Ponzi Contracts via Large Language Models [10.770371122781956]
  PonziSleuthは、Ponziスマートコントラクトを検出する最初のLCM駆動のアプローチである。 大規模なデータ要求なしに、同等で、しばしば優れたパフォーマンスを提供する。 実世界検出において、PonziSleuthは2024年3月にEtherscanによって承認された4,597件の契約から15件の新しいポンツィ計画の特定に成功した。
  論文  参考訳（メタデータ） (2024-11-12T02:54:59Z)
• Towards Effective Detection of Ponzi schemes on Ethereum with Contract Runtime Behavior Graph [17.79695486585971]
  詐欺の一種であるポンツィスキームは、近年スマートコントラクトで発見され、巨額の損失をもたらした。 既存の検出手法は主にルールベースのアプローチと機械学習技術に焦点を当てている。 PonziGuardは,契約実行時の動作に基づく効率的なPonzi検出手法である。
  論文  参考訳（メタデータ） (2024-06-03T01:17:48Z)
• Improving the Accuracy of Transaction-Based Ponzi Detection on Ethereum [13.233535179219633]
  昔ながらの詐欺であるPonziスキームが、ブロックチェーンで人気になった。 ほとんどのPonzi検出方法は、そのスマートコントラクトソースコードに基づいてPonziスキームを検出する。 我々は、マシンラーニングアルゴリズムが最大30%高いF1スコアを達成することができる85の新機能(22のアカウントベース、63の新しい時系列機能)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T01:54:31Z)
• 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)
• SourceP: Detecting Ponzi Schemes on Ethereum with Source Code [0.5898893619901381]
  SourcePは、事前訓練されたモデルとデータフローを使用して、プラットフォーム上のスマートPonziスキームを検出する方法である。 まず、スマートコントラクトのソースコードをデータフローグラフに変換し、学習コード表現に基づく事前学習モデルを導入し、分類モデルを構築する。 実験の結果、SourcePは87.2%のリコールと90.7%のFスコアを達成し、スマートPonziスキームを検出した。
  論文  参考訳（メタデータ） (2023-06-02T16:40:42Z)
• Explainable Ponzi Schemes Detection on Ethereum [1.3812010983144802]
  ポンツィスキームは最も一般的な詐欺の一つである。 本稿では,実世界のスマートポンジ契約を検出する分類器を提案する。 優れた分類品質を保証し、AI技術を用いた分類への影響を調査する、小型で効果的な機能のセットを特定します。
  論文  参考訳（メタデータ） (2023-01-12T08:38:23Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• Jamming Pattern Recognition over Multi-Channel Networks: A Deep Learning Approach [88.72160601701937]
  インテリジェント・ジャムマーは、正統ノードによって追跡される確率を最小限に抑えるためにポリシーを変更することができる。 既存のジャミング法は、主に、不変なジャミングポリシーによるジャミング攻撃の軽減に焦点を当てているため、適用できない。 本稿では,ジャミング型認識技術とアンチジャミング手法を併用したジャミング型認識手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T04:29:23Z)
• Smart Contract Vulnerability Detection: From Pure Neural Network to Interpretable Graph Feature and Expert Pattern Fusion [48.744359070088166]
  従来のスマートコントラクトの脆弱性検出方法は、専門家の規則に大きく依存している。 最近のディープラーニングアプローチはこの問題を軽減するが、有用な専門家の知識をエンコードすることができない。 ソースコードから専門家パターンを抽出する自動ツールを開発する。 次に、深いグラフの特徴を抽出するために、コードをセマンティックグラフにキャストします。
  論文  参考訳（メタデータ） (2021-06-17T07:12:13Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)

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。