論文の概要: Detecting Financial Bots on the Ethereum Blockchain
- arxiv url: http://arxiv.org/abs/2403.19530v1
- Date: Thu, 28 Mar 2024 16:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 15:34:50.623967
- Title: Detecting Financial Bots on the Ethereum Blockchain
- Title（参考訳）: Ethereumブロックチェーン上のファイナンシャルボットの検出
- Authors: Thomas Niedermayer, Pietro Saggese, Bernhard Haslhofer,
- Abstract要約: DLT(Distributed Ledger Technologies)のボットは、効率性と自動化を促進する。
それらの利用は捕食的取引や市場の操作にも関係しており、システムの完全性に脅威をもたらす可能性がある。
現在の検知システムは、主にルールベースであり、柔軟性がない。
プラットフォーム上での金融ボットの検出に機械学習を利用する新しいアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.4779196219827508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of bots in Distributed Ledger Technologies (DLTs) fosters efficiency and automation. However, their use is also associated with predatory trading and market manipulation, and can pose threats to system integrity. It is therefore essential to understand the extent of bot deployment in DLTs; despite this, current detection systems are predominantly rule-based and lack flexibility. In this study, we present a novel approach that utilizes machine learning for the detection of financial bots on the Ethereum platform. First, we systematize existing scientific literature and collect anecdotal evidence to establish a taxonomy for financial bots, comprising 7 categories and 24 subcategories. Next, we create a ground-truth dataset consisting of 133 human and 137 bot addresses. Third, we employ both unsupervised and supervised machine learning algorithms to detect bots deployed on Ethereum. The highest-performing clustering algorithm is a Gaussian Mixture Model with an average cluster purity of 82.6%, while the highest-performing model for binary classification is a Random Forest with an accuracy of 83%. Our machine learning-based detection mechanism contributes to understanding the Ethereum ecosystem dynamics by providing additional insights into the current bot landscape.
- Abstract（参考訳）: DLT(Distributed Ledger Technologies)におけるボットの統合は、効率性と自動化を促進する。
しかし、彼らの利用は捕食的取引や市場の操作にも関係しており、システムの完全性に脅威をもたらす可能性がある。
したがって、DLTにおけるボットの展開範囲を理解することは不可欠であり、現在の検出システムはルールベースであり、柔軟性に欠ける。
本研究では,Ethereumプラットフォーム上での金融ボットの検出に機械学習を利用する新しい手法を提案する。
まず,既存の科学的文献の体系化と,7つのカテゴリと24のサブカテゴリからなる金融ボットの分類基準を確立するための逸話的証拠の収集を行う。
次に、133人の人間と137人のボットアドレスからなる地上データデータセットを作成します。
第3に、Ethereum上にデプロイされたボットを検出するために、教師なしと教師なしの機械学習アルゴリズムの両方を使用します。
最もパフォーマンスの高いクラスタリングアルゴリズムは、平均クラスタ純度82.6%のガウス混合モデルであり、二分分類の最高パフォーマンスモデルは精度83%のランダムフォレストである。
私たちの機械学習ベースの検出メカニズムは、現在のボットのランドスケープに関するさらなる洞察を提供することで、Ethereumエコシステムのダイナミクスを理解するのに役立ちます。
関連論文リスト
- What Does the Bot Say? Opportunities and Risks of Large Language Models in Social Media Bot Detection [48.572932773403274]
ソーシャルボット検出における大規模言語モデルの可能性とリスクについて検討する。
本稿では,多様なユーザ情報モダリティを分割し,克服するための混合異種エキスパートフレームワークを提案する。
実験により、1000の注釈付き例に対する命令チューニングは、最先端のベースラインよりも優れた特殊なLLMを生成することが示された。
論文 参考訳（メタデータ） (2024-02-01T06:21:19Z) - An adaptive network-based approach for advanced forecasting of
cryptocurrency values [0.0]
本稿では,Adaptive Network Fuzzy Inference System (ANFIS) を用いて,今後7日間の暗号価格を予測するアーキテクチャについて述べる。
データを教えるために使われる方法は、グリッド分割、減算クラスタリング、ファジィC平均クラスタリング(FCM)アルゴリズムと同様に、ハイブリッドおよびバックプロパゲーションアルゴリズムである。
提案手法は,デジタル通貨の価格を短時間で予測できる。
論文 参考訳（メタデータ） (2024-01-08T19:51:53Z) - Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data [3.6390165502400875]
本稿では,機械学習(ML)と自然言語処理(NLP)技術を活用した暗号通貨価格予測の新しい手法を提案する。
ニュースやソーシャルメディアのコンテンツを分析することで、仮想通貨市場に対する大衆の感情の影響を評価する。
論文 参考訳（メタデータ） (2023-11-23T16:14:44Z) - Leveraging Machine Learning for Multichain DeFi Fraud Detection [5.213509776274283]
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。
論文 参考訳（メタデータ） (2023-05-17T15:48:21Z) - 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) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - Crypto Pump and Dump Detection via Deep Learning Techniques [0.0]
ダンプ・アンド・ダンプ・スキームは 暗号通貨に関する 最も一般的な詐欺行為だ
本稿では,この問題領域に対する2つの既存のニューラルネットワークアーキテクチャの新たな適用法を提案する。
深層学習ソリューションは、暗号通貨の既存のポンプ・ダンプ検出方法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2022-05-10T03:24:32Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。
異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。
本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-11T22:59:59Z) - Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。
本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文 参考訳（メタデータ） (2020-03-13T15:34:33Z) - Adversarial Attacks on Machine Learning Systems for High-Frequency
Trading [55.30403936506338]
逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。
攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。
本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
論文 参考訳（メタデータ） (2020-02-21T22:04:35Z)
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。