論文の概要: SourceP: Detecting Ponzi Schemes on Ethereum with Source Code
- arxiv url: http://arxiv.org/abs/2306.01665v8
- Date: Thu, 29 Feb 2024 15:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 19:00:28.443375
- Title: SourceP: Detecting Ponzi Schemes on Ethereum with Source Code
- Title(参考訳): SourceP:ソースコードでEthereum上のPonziスキーマを検出する
- Authors: Pengcheng Lu, Liang Cai, and Keting Yin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5898893619901381
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As blockchain technology becomes more and more popular, a typical financial
scam, the Ponzi scheme, has also emerged in the blockchain platform Ethereum.
This Ponzi scheme deployed through smart contracts, also known as the smart
Ponzi scheme, has caused a lot of economic losses and negative impacts.
Existing methods for detecting smart Ponzi schemes on Ethereum mainly rely on
bytecode features, opcode features, account features, and transaction behavior
features of smart contracts, which are unable to truly characterize the
behavioral features of Ponzi schemes, and thus generally perform poorly in
terms of detection accuracy and false alarm rates. In this paper, we propose
SourceP, a method to detect smart Ponzi schemes on the Ethereum platform using
pre-trained models and data flow, which only requires using the source code of
smart contracts as features. SourceP reduces the difficulty of data acquisition
and feature extraction of existing detection methods. Specifically, we first
convert the source code of a smart contract into a data flow graph and then
introduce a pre-trained model based on learning code representations to build a
classification model to identify Ponzi schemes in smart contracts. The
experimental results show that SourceP achieves 87.2% recall and 90.7% F-score
for detecting smart Ponzi schemes within Ethereum's smart contract dataset,
outperforming state-of-the-art methods in terms of performance and
sustainability. We also demonstrate through additional experiments that
pre-trained models and data flow play an important contribution to SourceP, as
well as proving that SourceP has a good generalization ability.
- Abstract(参考訳): ブロックチェーン技術がますます普及するにつれて、一般的な金融詐欺であるPonziスキームもブロックチェーンプラットフォームEthereumに登場している。
スマートコントラクトを通じて展開されるこのPonziスキームは、スマートPonziスキームとしても知られ、多くの経済的損失と負の影響を引き起こしている。
Ethereum上のスマートPonziスキームを検出する既存の方法は、主にバイトコード機能、オペコード機能、アカウント機能、スマートコントラクトのトランザクション動作機能に依存しており、Ponziスキームの動作特性を真に特徴づけることができないため、検出精度と誤警報率の点で一般的には不十分である。
本稿では,事前訓練されたモデルとデータフローを用いてEthereum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SourcePを提案する。
SourcePは、既存の検出方法のデータの取得と特徴抽出の難しさを軽減する。
具体的には、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、次に学習コード表現に基づく事前学習モデルを導入し、スマートコントラクト内のポンジスキームを識別するための分類モデルを構築する。
実験の結果、SourcePはEthereumのスマートコントラクトデータセット内でのスマートPonziスキームの検出において87.2%のリコールと90.7%のFスコアを達成した。
我々はまた、事前訓練されたモデルとデータフローがSourcePに重要な貢献をしていること、およびSourcePが優れた一般化能力を持っていることを実証する追加の実験を通して実証する。
関連論文リスト
- Improving Robustness and Accuracy of Ponzi Scheme Detection on Ethereum
Using Time-Dependent Features [14.19754467564465]
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またはオプコードに基づいている。
トランザクションのみに依存する新しい検出モデルを開発する。
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) - 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) - Sharpening Ponzi Schemes Detection on Ethereum with Machine Learning [0.0]
本稿では,Ponziスキーム上でのスマートコントラクトの自動検出手法を提案する。
4422のユニークな現実世界のスマートコントラクトを備えた再利用可能なデータセットをリリースします。
分類を改善するための新しい機能セットを紹介します。
論文 参考訳(メタデータ) (2023-01-12T08:38:23Z) - Time-aware Metapath Feature Augmentation for Ponzi Detection in Ethereum [3.5803674124924627]
ポンツィの策略とフィッシング詐欺は、分散金融を著しく脅かしている。
ブロックチェーン上の既存のグラフベースの異常な振る舞い検出方法は、通常、均質なトランザクショングラフの構築に重点を置いている。
我々は、リアルタイムメタパスベースのトランザクションパターンをキャプチャするためのプラグイン・アンド・プレイモジュールとして、TMFAug(Time-aware Metapath Feature Augmentation)を導入する。
論文 参考訳(メタデータ) (2022-10-30T15:31:19Z) - Sequential Information Design: Markov Persuasion Process and Its
Efficient Reinforcement Learning [156.5667417159582]
本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。
MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。
我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
論文 参考訳(メタデータ) (2022-02-22T05:41:43Z) - Data-driven Smart Ponzi Scheme Detection [11.467476506780969]
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。
論文 参考訳(メタデータ) (2021-08-20T07:45:36Z) - 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) - A Bytecode-based Approach for Smart Contract Classification [10.483992071557195]
ブロックチェーンプラットフォームにデプロイされるスマートコントラクトの数は指数関数的に増えているため、ユーザは手動のスクリーニングによって望ましいサービスを見つけることが難しくなっている。
スマートコントラクト分類に関する最近の研究は、契約ソースコードに基づく自然言語処理(NLP)ソリューションに焦点を当てている。
本稿では,これらの問題を解決するために,ソースコードの代わりにコントラクトバイトコードの特徴に基づく分類モデルを提案する。
論文 参考訳(メタデータ) (2021-05-31T03:00:29Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳(メタデータ) (2021-03-23T15:04:44Z) - Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。
PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。
PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
論文 参考訳(メタデータ) (2020-05-11T09:53:36Z)
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。