論文の概要: TEGDetector: A Phishing Detector that Knows Evolving Transaction
Behaviors
- arxiv url: http://arxiv.org/abs/2111.15446v1
- Date: Fri, 26 Nov 2021 02:54:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 15:50:22.213503
- Title: TEGDetector: A Phishing Detector that Knows Evolving Transaction
Behaviors
- Title(参考訳): TEGDetector:トランザクションの振る舞いを進化させるフィッシング検出器
- Authors: Jinyin Chen, Haiyang Xiong, Dunjie Zhang, Zhenguang Liu and Jiajing Wu
- Abstract要約: フィッシング検知器はフィッシングアドレスの探索に力を注いでいる。
検出器のほとんどは、ランダムウォーキングや静的サブグラフの構築によって、ターゲットアドレスのトランザクション動作の特徴を抽出する。
本稿では、トランザクション進化グラフから進化する挙動特徴を学習する動的グラフであるTEGDetectorを提案する。
- 参考スコア(独自算出の注目度): 8.123699164666602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, phishing scams have posed a significant threat to blockchains.
Phishing detectors direct their efforts in hunting phishing addresses. Most of
the detectors extract target addresses' transaction behavior features by random
walking or constructing static subgraphs. The random walking
methods,unfortunately, usually miss structural information due to limited
sampling sequence length, while the static subgraph methods tend to ignore
temporal features lying in the evolving transaction behaviors. More
importantly, their performance undergoes severe degradation when the malicious
users intentionally hide phishing behaviors. To address these challenges, we
propose TEGDetector, a dynamic graph classifier that learns the evolving
behavior features from transaction evolution graphs (TEGs). First, we cast the
transaction series into multiple time slices, capturing the target address's
transaction behaviors in different periods. Then, we provide a fast
non-parametric phishing detector to narrow down the search space of suspicious
addresses. Finally, TEGDetector considers both the spatial and temporal
evolutions towards a complete characterization of the evolving transaction
behaviors. Moreover, TEGDetector utilizes adaptively learnt time coefficient to
pay distinct attention to different periods, which provides several novel
insights. Extensive experiments on the large-scale Ethereum transaction dataset
demonstrate that the proposed method achieves state-of-the-art detection
performance.
- Abstract(参考訳): 近年、フィッシング詐欺はブロックチェーンに大きな脅威をもたらしている。
フィッシング検出器は、フィッシングアドレスを探索する取り組みを指示する。
ほとんどの検出器は、ランダムウォーキングや静的サブグラフの構築によって、ターゲットアドレスのトランザクション動作の特徴を抽出する。
ランダムウォーキング法は通常、サンプリングシーケンスの長さが限られているため構造情報を見逃すが、静的サブグラフ法では、進化するトランザクションの振る舞いにある時間的特徴を無視する傾向がある。
さらに重要なのは、悪意のあるユーザーが意図的にフィッシング行為を隠すと、パフォーマンスが著しく低下することです。
これらの課題に対処するために、トランザクション進化グラフ(tegs)から進化する振る舞いの特徴を学ぶ動的グラフ分類器であるtegdetectorを提案する。
まず、トランザクションシリーズを複数のタイムスライスにキャストし、ターゲットアドレスのトランザクション動作を異なる期間にキャプチャします。
そして,不審なアドレスの探索空間を狭める高速な非パラメトリックフィッシング検出器を提供する。
最後に、TEGDetectorは、進化するトランザクションの振る舞いの完全な特徴づけに向けて、空間的および時間的進化の両方を考慮する。
さらに、TEGDetectorは適応学習時間係数を利用して異なる期間に異なる注意を払っており、いくつかの新しい洞察を与えている。
大規模なEthereumトランザクションデータセットに関する大規模な実験により、提案手法が最先端検出性能を達成することを示す。
関連論文リスト
- PARIS: A Practical, Adaptive Trace-Fetching and Real-Time Malicious Behavior Detection System [6.068607290592521]
本稿では,適応的トレースフェッチ,軽量かつリアルタイムな悪意ある行動検出システムを提案する。
具体的には、Event Tracing for Windows (ETW)で悪意ある振る舞いを監視し、悪意のあるAPIやコールスタックを選択的に収集することを学ぶ。
その結果、より広い範囲のAPIを監視し、より複雑な攻撃行動を検出することができる。
論文 参考訳(メタデータ) (2024-11-02T14:52:04Z) - Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。
より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。
提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文 参考訳(メタデータ) (2023-11-19T09:41:10Z) - 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) - Evolve Path Tracer: Early Detection of Malicious Addresses in
Cryptocurrency [6.9818380981710355]
本稿では,Evolve Path LSTM,Evolve Path Graph GCN,Hierarchical Survival PredictorからなるEvolve Path Tracerを提案する。
具体的には、一般的なアドレス機能に加えて、早期の取引パターンを特徴付けるために、資産移動経路と対応する経路グラフを提案する。
Evolve Path Tracerの3つの現実の不正なbitcoinデータセットに対する有効性と汎用性について検討する。
論文 参考訳(メタデータ) (2023-01-13T06:59:52Z) - 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) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳(メタデータ) (2021-07-22T07:25:35Z) - Explainable Deep Behavioral Sequence Clustering for Transaction Fraud
Detection [3.9505606841402607]
クラスタリングのためのディープラーニングに基づく行動データ表現法(FinDeepBehaviorCluster)を提案し,不正取引を検出する。
動作シーケンスデータを利用するために,クリックストリームデータをイベントシーケンスとして扱い,時間アテンションに基づくBi-LSTMを用いて,教師なしの方法でシーケンス埋め込みを学習し,リスクエキスパートが生成した直感的な特徴と組み合わせてハイブリッドな特徴表現を形成する。
実験の結果,提案するFinDeepBehaviorClusterフレームワークは,ビジネス価値の高い不正取引を捕捉できることがわかった。
論文 参考訳(メタデータ) (2021-01-12T04:12:18Z) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳(メタデータ) (2020-09-17T17:59:27Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳(メタデータ) (2020-08-21T15:03:21Z)
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。