論文の概要: Leveraging Machine Learning for Multichain DeFi Fraud Detection
- arxiv url: http://arxiv.org/abs/2306.07972v1
- Date: Wed, 17 May 2023 15:48:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-18 12:19:06.996190
- Title: Leveraging Machine Learning for Multichain DeFi Fraud Detection
- Title(参考訳): マルチチェーンDeFiフラッド検出のための機械学習の活用
- Authors: Georgios Palaiokrassas and Sandro Scherrers and Iason Ofeidis and
Leandros Tassiulas
- Abstract要約: 本稿では,最も大きなチェーンを含むさまざまなチェーンから特徴を抽出するフレームワークを提案し,広範囲なデータセットで評価する。
XGBoostやニューラルネットワークなど、さまざまな機械学習手法を使用して、DeFiと対話する不正アカウントの検出を識別した。
本稿では,新しいDeFi関連機能の導入により,評価結果が大幅に改善されることを実証する。
- 参考スコア(独自算出の注目度): 5.213509776274283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since the inception of permissionless blockchains with Bitcoin in 2008, it
became apparent that their most well-suited use case is related to making the
financial system and its advantages available to everyone seamlessly without
depending on any trusted intermediaries. Smart contracts across chains provide
an ecosystem of decentralized finance (DeFi), where users can interact with
lending pools, Automated Market Maker (AMM) exchanges, stablecoins,
derivatives, etc. with a cumulative locked value which had exceeded 160B USD.
While DeFi comes with high rewards, it also carries plenty of risks. Many
financial crimes have occurred over the years making the early detection of
malicious activity an issue of high priority. The proposed framework introduces
an effective method for extracting a set of features from different chains,
including the largest one, Ethereum and it is evaluated over an extensive
dataset we gathered with the transactions of the most widely used DeFi
protocols (23 in total, including Aave, Compound, Curve, Lido, and Yearn) based
on a novel dataset in collaboration with Covalent. Different Machine Learning
methods were employed, such as XGBoost and a Neural Network for identifying
fraud accounts detection interacting with DeFi and we demonstrate that the
introduction of novel DeFi-related features, significantly improves the
evaluation results, where Accuracy, Precision, Recall, F1-score and F2-score
where utilized.
- Abstract(参考訳): 2008年のBitcoinによる無許可ブロックチェーンの導入以来、最も適したユースケースは金融システムとその利点を信頼できる仲介者に依存することなく、シームレスに利用できるようにすることであることが明らかとなった。
チェーン間のスマートコントラクトは分散ファイナンス(defi)のエコシステムを提供し、ユーザは160busdを超える累積的なロック付き価値で、貸出プール、自動マーケットメーカ(amm)取引所、安定コイン、デリバティブなどとやり取りすることができる。
defiには高い報酬が伴う一方で、多くのリスクも伴う。
多くの金融犯罪が長年にわたって発生しており、悪意のある活動の早期発見が優先課題となっている。
提案フレームワークでは,最大であるEthereumなど,さまざまなチェーンから機能セットを抽出する有効な方法を導入し,Covalentとのコラボレーションによる新たなデータセットに基づいて,最も広く使用されているDeFiプロトコル(Aave, Compound, Curve, Lido, Yearnを含む合計23)のトランザクションで収集した広範なデータセットに基づいて評価する。
XGBoostやニューラルネットワークなど、DeFiと相互作用する不正アカウント検出のための異なる機械学習手法を用いて、新しいDeFi関連機能の導入により、精度、精度、リコール、F1スコア、F2スコアなどの評価結果が大幅に改善されることを示した。
関連論文リスト
- zkDFL: An efficient and privacy-preserving decentralized federated
learning with zero-knowledge proof [3.517233208696287]
フェデレートラーニング(FL)は、様々な分野の研究やビジネスで広く採用されている。
従来の中央集権的なFLシステムは深刻な問題に悩まされている。
ゼロ知識証明(ZKP)に基づくアグリゲータ(zkDFL)を提案する。
論文 参考訳(メタデータ) (2023-12-01T17:00:30Z) - Effective Multi-Graph Neural Networks for Illicit Account Detection on
Cryptocurrency Transaction Networks [17.754948081962123]
暗号通貨の不正行為は、通常のユーザーから数十億ドルの損失をもたらした。
大規模トランザクションネットワーク上で不正なアカウントを検出するための,新しいマルチグラフニューラルネットワークモデルであるDIAMを提案する。
例えば、2000万のノードと203万のエッジを持つBitcoinデータセットでは、DIAMはF1スコア96.55%を獲得し、F1スコア83.92%よりも大幅に高い。
論文 参考訳(メタデータ) (2023-09-04T09:01:56Z) - 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) - Detecting DeFi Securities Violations from Token Smart Contract Code [0.4263043028086136]
DeFi(Decentralized Finance)は、さまざまなブロックチェーン上のスマートコントラクトを通じて構築および配信される金融製品とサービスのシステムである。
本研究の目的は、トークンのスマートコントラクトコードに基づいて、証券違反の可能性のあるDeFiプロジェクトを特定できるかどうかを明らかにすることである。
論文 参考訳(メタデータ) (2021-12-06T01:44:08Z) - 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) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - 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) - Supporting Financial Inclusion with Graph Machine Learning and Super-App
Alternative Data [63.942632088208505]
スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。
本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
論文 参考訳(メタデータ) (2021-02-19T15:13:06Z) - Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with
Lazy Clients [124.48732110742623]
フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。
BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。
遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
論文 参考訳(メタデータ) (2020-12-02T12:18:27Z) - BlockFLow: An Accountable and Privacy-Preserving Solution for Federated
Learning [2.0625936401496237]
BlockFLowは、完全な分散化とプライバシ保護を備えた、説明可能なフェデレーション学習システムである。
その主な目標は、基盤となるデータセットのプライバシ保護と悪意のある敵に対する耐性を確保しながら、コントリビューションの品質に比例するエージェントに報酬を与えることである。
論文 参考訳(メタデータ) (2020-07-08T02:24:26Z)
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。