論文の概要: TTAGN: Temporal Transaction Aggregation Graph Network for Ethereum Phishing Scams Detection

• arxiv url: http://arxiv.org/abs/2204.13442v1
• Date: Thu, 28 Apr 2022 12:17:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 14:53:32.023350
• Title: TTAGN: Temporal Transaction Aggregation Graph Network for Ethereum Phishing Scams Detection
• Title（参考訳）: TTAGN:Ethereumフィッシング詐欺検出のための時間トランザクション集約グラフネットワーク
• Authors: Sijia Li, Gaopeng Gou, Chang Liu, Chengshang Hou, Zhenzhen Li, Gang Xiong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.20384152151594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, phishing scams have become the most serious type of crime involved in Ethereum, the second-largest blockchain platform. The existing phishing scams detection technology on Ethereum mostly uses traditional machine learning or network representation learning to mine the key information from the transaction network to identify phishing addresses. However, these methods adopt the last transaction record or even completely ignore these records, and only manual-designed features are taken for the node representation. In this paper, we propose a Temporal Transaction Aggregation Graph Network (TTAGN) to enhance phishing scams detection performance on Ethereum. Specifically, in the temporal edges representation module, we model the temporal relationship of historical transaction records between nodes to construct the edge representation of the Ethereum transaction network. Moreover, the edge representations around the node are aggregated to fuse topological interactive relationships into its representation, also named as trading features, in the edge2node module. We further combine trading features with common statistical and structural features obtained by graph neural networks to identify phishing addresses. Evaluated on real-world Ethereum phishing scams datasets, our TTAGN (92.8% AUC, and 81.6% F1score) outperforms the state-of-the-art methods, and the effectiveness of temporal edges representation and edge2node module is also demonstrated.
• Abstract（参考訳）: 近年、フィッシング詐欺は2番目に大きなブロックチェーンプラットフォームであるethereumに関わる最も深刻な犯罪となっている。 Ethereum上の既存のフィッシング詐欺検出技術は、主に従来の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重要な情報をマイニングしてフィッシングアドレスを特定する。 しかしながら、これらのメソッドは最後のトランザクションレコードを採用するか、あるいはこれらのレコードを完全に無視する。 本稿では,Ethereum上でのフィッシング詐欺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。 具体的には、時間的エッジ表現モジュールにおいて、ノード間の履歴トランザクションレコードの時間的関係をモデル化し、Ethereumトランザクションネットワークのエッジ表現を構築する。 さらに、ノード周辺のエッジ表現は、エッジ2ノードモジュール内のトレーディング機能としても知られるトレーディング機能に、トポロジカルな相互関係を融合するために集約される。 さらに,グラフニューラルネットワークによって得られた共通統計的特徴と構造的特徴を組み合わせ,フィッシングアドレスを識別する。 実世界のethereumフィッシング詐欺データセット上で評価され、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edge2nodeモジュールの有効性も実証されている。

関連論文リスト

• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• 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)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• Self-supervised Incremental Deep Graph Learning for Ethereum Phishing Scam Detection [15.350215512903361]
  グラフニューラルネットワーク(GNN)は、様々なノード分類タスクにおいて有望な性能を示している。 実世界の複雑なグラフに自然に抽象化できるトランザクションデータでは、ラベルの不足と大量のトランザクションデータがGNNの手法を利用するのを困難にしている。 フィッシング詐欺検出問題に対する自己教師付きインクリメンタルグラフ学習モデル(SIEGE)を提案する。
  論文  参考訳（メタデータ） (2021-06-18T15:06:26Z)
• 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)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)
• 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)
• Blockchain is Watching You: Profiling and Deanonymizing Ethereum Users [0.0]
  擬似識別子に基づくユーザプロファイリング手法を提案し,実装する。 機密トランザクションオーバレイに適用可能な,Danaan-gift攻撃の変種である悪意のあるバリューフィンガープリント攻撃について述べる。
  論文  参考訳（メタデータ） (2020-05-28T14:33:32Z)

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。