論文の概要: Demystifying Bitcoin Address Behavior via Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2211.14582v1
• Date: Sat, 26 Nov 2022 14:55:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 16:52:59.522196
• Title: Demystifying Bitcoin Address Behavior via Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによるBitcoinアドレスの振舞いの軽減
• Authors: Zhengjie Huang, Yunyang Huang, Peng Qian, Jianhai Chen, Qinming He
• Abstract要約: BAClassifierは、行動に基づいて自動的にbitcoinアドレスを分類するツールである。 私たちは200万以上の現実世界のbitcoinアドレスからなる大規模な注釈付きデータセットを構築し、リリースします。
• 参考スコア（独自算出の注目度）: 20.002509270755443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bitcoin is one of the decentralized cryptocurrencies powered by a peer-to-peer blockchain network. Parties who trade in the bitcoin network are not required to disclose any personal information. Such property of anonymity, however, precipitates potential malicious transactions to a certain extent. Indeed, various illegal activities such as money laundering, dark network trading, and gambling in the bitcoin network are nothing new now. While a proliferation of work has been developed to identify malicious bitcoin transactions, the behavior analysis and classification of bitcoin addresses are largely overlooked by existing tools. In this paper, we propose BAClassifier, a tool that can automatically classify bitcoin addresses based on their behaviors. Technically, we come up with the following three key designs. First, we consider casting the transactions of the bitcoin address into an address graph structure, of which we introduce a graph node compression technique and a graph structure augmentation method to characterize a unified graph representation. Furthermore, we leverage a graph feature network to learn the graph representations of each address and generate the graph embeddings. Finally, we aggregate all graph embeddings of an address into the address-level representation, and engage in a classification model to give the address behavior classification. As a side contribution, we construct and release a large-scale annotated dataset that consists of over 2 million real-world bitcoin addresses and concerns 4 types of address behaviors. Experimental results demonstrate that our proposed framework outperforms state-of-the-art bitcoin address classifiers and existing classification models, where the precision and F1-score are 96% and 95%, respectively. Our implementation and dataset are released, hoping to inspire others.
• Abstract（参考訳）: bitcoinは、ピアツーピアブロックチェーンネットワークによる分散暗号通貨の1つだ。 bitcoinネットワークで取引を行う当事者は、個人情報を開示する必要はない。 しかし、そのような匿名性は、潜在的に悪意のある取引をある程度引き起こす。 実際、マネーロンダリング、ダークネットワーク取引、bitcoinネットワークでのギャンブルなど、さまざまな違法行為は、今、新しいものではない。 悪意のあるビットコイン取引を識別する作業が急増しているが、行動分析とbitcoinアドレスの分類は、既存のツールによってほとんど見過ごされている。 本稿では,その振る舞いに基づいて自動的にビットコインアドレスを分類するツールであるBAClassifierを提案する。 技術的には、以下の3つの重要な設計を思いついた。 まず、ビットコインアドレスのトランザクションをアドレスグラフ構造にキャストし、グラフノード圧縮技術とグラフ構造拡張手法を導入し、統一グラフ表現を特徴付ける。 さらに,グラフ特徴ネットワークを利用して各アドレスのグラフ表現を学習し,グラフ埋め込みを生成する。 最後に、アドレスのすべてのグラフ埋め込みをアドレスレベルの表現に集約し、アドレス振舞いの分類を行うための分類モデルに係わる。 副次的な貢献として、200万人以上の現実世界のbitcoinアドレスと4種類のアドレスの振る舞いに関する、大規模な注釈付きデータセットを構築し、リリースします。 実験結果から,提案手法は最先端のbitcoinアドレス分類器と既存の分類モデルより優れており,精度は96%,F1スコアは95%であった。 私たちの実装とデータセットはリリースされ、他の人に刺激を与えたいと思っています。

関連論文リスト

• Link Stealing Attacks Against Inductive Graph Neural Networks [60.931106032824275]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理するように設計されたニューラルネットワークの一種である。 これまでの研究によると、トランスダクティブGNNは一連のプライバシー攻撃に弱い。 本稿では,リンク盗難攻撃のレンズを通して,誘導型GNNの包括的プライバシー分析を行う。
  論文  参考訳（メタデータ） (2024-05-09T14:03:52Z)
• The Spatiotemporal Scaling Laws of Bitcoin Transactions [0.4779196219827508]
  私たちはBitcoin特有のユニークなパターンを研究します。 我々はBitcoin取引の時間的スケーリング法則を実証的に特徴付けている。 我々は、Bitcoinの観測時間パターンを効果的に近似するマルコフモデルを導入する。
  論文  参考訳（メタデータ） (2023-09-21T08:34:47Z)
• Demystifying Fraudulent Transactions and Illicit Nodes in the Bitcoin Network for Financial Forensics [8.97719386315469]
  本稿では,Bitcoinネットワークにおける不正検出に対する総合的な応用データサイエンス手法を提案する。 まず、Elliptic++データセットをコントリビュートし、Ellipticトランザクションデータセットを拡張して、822万のBitcoinウォレットアドレス(ノード)を含むようにします。 第2に、多様な機械学習アルゴリズムを用いて、4つのグラフすべてに対して不正検出タスクを実行する。
  論文  参考訳（メタデータ） (2023-05-25T18:36:54Z)
• 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)
• BABD: A Bitcoin Address Behavior Dataset for Address Behavior Pattern Analysis [36.42552617883664]
  私たちは、2019年7月12日から2021年5月26日までにBitcoin取引からなるデータセットを構築しました。 このデータセットには、13種類のBitcoinアドレス、148の機能を提供する5つのカテゴリ、ラベル付きデータ544,462が含まれている。 提案したデータセットは、k-nearest neighborsアルゴリズム、決定木、ランダムフォレスト、多層パーセプトロン、XGBoostといった一般的な機械学習モデルに基づく。
  論文  参考訳（メタデータ） (2022-04-10T06:46:51Z)
• Towards Malicious address identification in Bitcoin [3.646526715728388]
  時間的特徴セットと非時間的特徴セットを生成し、異なる時間的粒度の機械学習(ML)アルゴリズムを訓練し、手法を検証する。 比較分析によると、アドレスとBitcoinの振る舞いは、インディグリー、アウトディグリー、インターイベントタイムと似ている。 時間的粒度の異なる悪質な行動を示した3人の被疑者を同定した。
  論文  参考訳（メタデータ） (2021-12-22T08:11:58Z)
• 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)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Graph Structure Learning for Robust Graph Neural Networks [63.04935468644495]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力なツールである。 近年の研究では、GNNは敵攻撃と呼ばれる、慎重に構築された摂動に弱いことが示されている。 本稿では,構造グラフと頑健なグラフニューラルネットワークモデルを共同で学習できる汎用フレームワークであるPro-GNNを提案する。
  論文  参考訳（メタデータ） (2020-05-20T17:07:05Z)
• Stealing Links from Graph Neural Networks [72.85344230133248]
  最近、ニューラルネットワークはグラフニューラルネットワーク(GNN)として知られるグラフデータに拡張された。 優れたパフォーマンスのため、GNNは医療分析、レコメンダシステム、不正検出など多くのアプリケーションを持っている。 グラフ上でトレーニングされたGNNモデルの出力からグラフを盗む最初の攻撃を提案する。
  論文  参考訳（メタデータ） (2020-05-05T13:22:35Z)

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。