論文の概要: Improving Robustness and Accuracy of Ponzi Scheme Detection on Ethereum Using Time-Dependent Features

• arxiv url: http://arxiv.org/abs/2308.16391v1
• Date: Thu, 31 Aug 2023 01:54:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 17:57:52.173261
• Title: Improving Robustness and Accuracy of Ponzi Scheme Detection on Ethereum Using Time-Dependent Features
• Title（参考訳）: 時間依存特徴を用いたEthereum上のポンジスキーム検出のロバストさと精度の改善
• Authors: Phuong Duy Huynh, Son Hoang Dau, Xiaodong Li, Phuc Luong, Emanuele Viterbo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.19754467564465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of blockchain has led to more and more funding pouring into the cryptocurrency market, which also attracted cybercriminals' interest in recent years. The Ponzi scheme, an old-fashioned fraud, is now popular on the blockchain, causing considerable financial losses to many crypto-investors. A few Ponzi detection methods have been proposed in the literature, most of which detect a Ponzi scheme based on its smart contract source code or opcode. The contract-code-based approach, while achieving very high accuracy, is not robust: first, the source codes of a majority of contracts on Ethereum are not available, and second, a Ponzi developer can fool a contract-code-based detection model by obfuscating the opcode or inventing a new profit distribution logic that cannot be detected (since these models were trained on existing Ponzi logics only). A transaction-based approach could improve the robustness of detection because transactions, unlike smart contracts, are harder to be manipulated. However, the current transaction-based detection models achieve fairly low accuracy. We address this gap in the literature by developing new detection models that rely only on the transactions, hence guaranteeing the robustness, and moreover, achieve considerably higher Accuracy, Precision, Recall, and F1-score than existing transaction-based models. This is made possible thanks to the introduction of novel time-dependent features that capture Ponzi behaviours characteristics derived from our comprehensive data analyses on Ponzi and non-Ponzi data from the XBlock-ETH repository
• Abstract（参考訳）: ブロックチェーンの急速な発展により、暗号通貨市場への資金調達がますます増加し、近年はサイバー犯罪者の関心も高まっている。 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を博し、多くの暗号投資者にかなりの損失をもたらした。 文献ではいくつかのPonzi検出法が提案されており、そのほとんどはスマートコントラクトソースコードやオプコードに基づいてPonziスキームを検出するものである。 ひとつはEthereum上のほとんどのコントラクトのソースコードが利用できないこと、もうひとつは、Ponziの開発者がOpcodeを邪魔したり、検出できない新しい利益分配ロジックを発明したりすることで、コントラクトベースの検出モデルを騙すことができることです(これらのモデルは既存のPonziのロジックでのみトレーニングされています)。 スマートコントラクトとは異なり、トランザクションは操作が難しいため、トランザクションベースのアプローチは検出の堅牢性を向上させる可能性がある。 しかし、現在のトランザクションベースの検出モデルは、かなり精度が低い。 そこで本研究では,トランザクションのみに依存する新たな検出モデルを開発し,その頑健性を保証し,さらに,既存のトランザクションベースモデルよりも精度,精度,リコール,f1-scoreが大幅に向上した。 これは、XBlock-ETHレポジトリからのPonziデータおよび非Ponziデータに関する包括的データ解析から得られたPonziの挙動特性をキャプチャする、新しい時間依存機能の導入によって実現された。

関連論文リスト

• Semantic Sleuth: Identifying Ponzi Contracts via Large Language Models [10.770371122781956]
  PonziSleuthは、Ponziスマートコントラクトを検出する最初のLCM駆動のアプローチである。 大規模なデータ要求なしに、同等で、しばしば優れたパフォーマンスを提供する。 実世界検出において、PonziSleuthは2024年3月にEtherscanによって承認された4,597件の契約から15件の新しいポンツィ計画の特定に成功した。
  論文  参考訳（メタデータ） (2024-11-12T02:54:59Z)
• Towards Effective Detection of Ponzi schemes on Ethereum with Contract Runtime Behavior Graph [17.79695486585971]
  詐欺の一種であるポンツィスキームは、近年スマートコントラクトで発見され、巨額の損失をもたらした。 既存の検出手法は主にルールベースのアプローチと機械学習技術に焦点を当てている。 PonziGuardは,契約実行時の動作に基づく効率的なPonzi検出手法である。
  論文  参考訳（メタデータ） (2024-06-03T01:17:48Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• 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)
• SourceP: Detecting Ponzi Schemes on Ethereum with Source Code [0.5898893619901381]
  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。
  論文  参考訳（メタデータ） (2023-06-02T16:40:42Z)
• 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)
• Robust Lottery Tickets for Pre-trained Language Models [57.14316619360376]
  本稿では,従来の言語モデルに隠されたロバストなチケットを識別するために,二分重マスクの学習に基づく新しい手法を提案する。 実験結果から, 従来の対向ロバスト性評価法に比べて, 提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2022-11-06T02:59:27Z)
• 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)
• 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)

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。