論文の概要: An Attention-based Long Short-Term Memory Framework for Detection of Bitcoin Scams

• arxiv url: http://arxiv.org/abs/2210.14408v1
• Date: Wed, 26 Oct 2022 01:20:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 16:10:14.431235
• Title: An Attention-based Long Short-Term Memory Framework for Detection of Bitcoin Scams
• Title（参考訳）: Bitcoin詐欺検知のための注意に基づく長期記憶フレームワーク
• Authors: Puyang Zhao, Wei Tian, Lefu Xiao, Xinhui Liu, Jingjin Wu
• Abstract要約: Bitcoinは、サイバー詐欺に関わる最も一般的な暗号通貨だ。 本稿では、トランザクションがPonziスキームや他のサイバー詐欺に関与しているかどうかを決定するために、マルチクラス分類問題を検討する。
• 参考スコア（独自算出の注目度）: 2.0720586052989978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bitcoin is the most common cryptocurrency involved in cyber scams. Cybercriminals often utilize pseudonymity and privacy protection mechanism associated with Bitcoin transactions to make their scams virtually untraceable. The Ponzi scheme has attracted particularly significant attention among Bitcoin fraudulent activities. This paper considers a multi-class classification problem to determine whether a transaction is involved in Ponzi schemes or other cyber scams, or is a non-scam transaction. We design a specifically designed crawler to collect data and propose a novel Attention-based Long Short-Term Memory (A-LSTM) method for the classification problem. The experimental results show that the proposed model has better efficiency and accuracy than existing approaches, including Random Forest, Extra Trees, Gradient Boosting, and classical LSTM. With correctly identified scam features, our proposed A-LSTM achieves an F1-score over 82% for the original data and outperforms the existing approaches.
• Abstract（参考訳）: Bitcoinはサイバー詐欺に関わる最も一般的な暗号通貨だ。 サイバー犯罪者はしばしば、Bitcoin取引に関連する偽名とプライバシー保護メカニズムを利用して、詐欺を事実上追跡不能にする。 PonziスキームはBitcoin詐欺活動で特に注目を集めている。 本稿では、トランザクションがPonziスキームや他のサイバー詐欺に関与しているかどうかを判定するマルチクラス分類問題について考察する。 本研究では,データ収集のための特別設計のクローラを設計し,Attention-based Long Short-Term Memory (A-LSTM)法を提案する。 実験結果から,提案モデルは,ランダムフォレスト,エクストラツリー,グラディエントブースティング,古典LSTMなど,既存のアプローチよりも効率と精度がよいことが示された。 A-LSTMは,スカムの特徴を正しく同定することにより,元のデータに対して82%以上のF1スコアを達成し,既存手法よりも優れる。

関連論文リスト

• BlockFound: Customized blockchain foundation model for anomaly detection [47.04595143348698]
  BlockFoundは、異常なブロックチェーントランザクション検出のためのカスタマイズされた基盤モデルである。 ブロックチェーントランザクションのユニークなデータ構造をモデル化するための、一連のカスタマイズデザインを紹介します。 BlockFoundは、Solana上の異常なトランザクションを高精度に検出する唯一の方法である。
  論文  参考訳（メタデータ） (2024-10-05T05:11:34Z)
• The Latency Price of Threshold Cryptosystem in Blockchains [52.359230560289745]
  本稿では,Byzantine-fault Tolerant(BFT)コンセンサスプロトコルを用いた,しきい値暗号とブロックチェーンのクラス間の相互作用について検討する。 しきい値暗号システムに対する既存のアプローチは、しきい値暗号プロトコルを実行するための少なくとも1つのメッセージ遅延の遅延オーバーヘッドを導入している。 しきい値が狭いブロックチェーンネイティブのしきい値暗号システムに対して,このオーバーヘッドを取り除く機構を提案する。
  論文  参考訳（メタデータ） (2024-07-16T20:53:04Z)
• 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)
• Chainlet Orbits: Topological Address Embedding for the Bitcoin Blockchain [15.099255988459602]
  匿名性のある取引を可能にするBitcoinのような暗号通貨の台頭は、さまざまな不正行為の急増につながっている。 トランザクションにおけるそのトポロジ的特性を活用して,Bitcoinアドレスを埋め込む,Chainlet Orbitsという効果的なソリューションを導入する。 当社のアプローチでは,Bitcoinトランザクションネットワーク上で,解釈可能かつ説明可能なマシンラーニングモデルを,ほとんどの日において15分以内で使用することが可能です。
  論文  参考訳（メタデータ） (2023-05-18T21:16:59Z)
• 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)
• 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)
• Who is Gambling? Finding Cryptocurrency Gamblers Using Multi-modal Retrieval Methods [46.17004007514548]
  我々はETHGamDetと呼ばれるツールを提案し、ギャンブルの振る舞いを発見し、ギャンブルに関わる契約や住所を特定する。 このツールは、スマートコントラクトコードとトランザクションレコードを精査することで、ギャンブルに関わるスマートコントラクトとアドレスを自動的に検出することができる。 本稿では,メモリコンポーネントを備えた新しいLightGBMモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-27T10:07:13Z)
• Do not rug on me: Zero-dimensional Scam Detection [0.0]
  本稿では,20Kトークンのデータセットを拡大し,トークンを詐欺としてラベル付けするための新しい手法を提案する。 本稿では,トークン伝搬とスマートコントラクトに関連する新しい特徴を持つ機械学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-16T16:22:43Z)
• 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)
• Quantum Multi-Solution Bernoulli Search with Applications to Bitcoin's Post-Quantum Security [67.06003361150228]
  作業の証明(英: proof of work、PoW)は、当事者が計算タスクの解決にいくらかの労力を費やしたことを他人に納得させることができる重要な暗号構造である。 本研究では、量子戦略に対してそのようなPoWの連鎖を見つけることの難しさについて検討する。 我々は、PoWs問題の連鎖が、マルチソリューションBernoulliサーチと呼ばれる問題に還元されることを証明し、量子クエリの複雑さを確立する。
  論文  参考訳（メタデータ） (2020-12-30T18:03:56Z)

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。