Fugu-MT 論文翻訳(概要): Detecting Malicious Accounts in Web3 through Transaction Graph

論文の概要: Detecting Malicious Accounts in Web3 through Transaction Graph

arxiv url: http://arxiv.org/abs/2410.20713v1
Date: Mon, 28 Oct 2024 03:56:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:20:05.984893
Title: Detecting Malicious Accounts in Web3 through Transaction Graph
Title（参考訳）: トランザクショングラフによるWeb3の悪意アカウントの検出
Authors: Wenkai Li, Zhijie Liu, Xiaoqi Li, Sen Nie,
Abstract要約: ScamSweeperは、大規模なトランザクションデータセット上でWeb3の詐欺を識別する新しいフレームワークである。実験の結果, ScamSweeper は Web3 詐欺検出の最先端を超えていることがわかった。
参考スコア（独自算出の注目度）: 5.860182743283932
License:
Abstract: The web3 applications have recently been growing, especially on the Ethereum platform, starting to become the target of scammers. The web3 scams, imitating the services provided by legitimate platforms, mimic regular activity to deceive users. The current phishing account detection tools utilize graph learning or sampling algorithms to obtain graph features. However, large-scale transaction networks with temporal attributes conform to a power-law distribution, posing challenges in detecting web3 scams. In this paper, we present ScamSweeper, a novel framework to identify web3 scams on Ethereum. Furthermore, we collect a large-scale transaction dataset consisting of web3 scams, phishing, and normal accounts. Our experiments indicate that ScamSweeper exceeds the state-of-the-art in detecting web3 scams.
Abstract（参考訳）: 最近、web3アプリケーションは、特にEthereumプラットフォームで成長し、詐欺の標的になり始めています。 Web3の詐欺は、正当なプラットフォームが提供するサービスを模倣し、ユーザを騙すために通常の活動を模倣する。現在のフィッシングアカウント検出ツールは、グラフ学習またはサンプリングアルゴリズムを使用してグラフ特徴を取得する。しかし、時間的属性を持つ大規模トランザクションネットワークは、Web3詐欺を検出する上での課題を生んでいる。本稿では,Ethereum上のWeb3詐欺を識別する新しいフレームワークであるScamSweeperを紹介する。さらに、Web3の詐欺、フィッシング、および通常のアカウントからなる大規模トランザクションデータセットを収集します。実験の結果, ScamSweeper は Web3 詐欺検出の最先端を超えていることがわかった。

関連論文リスト

Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
論文参考訳（メタデータ） (2024-10-10T13:10:34Z)
NoPhish: Efficient Chrome Extension for Phishing Detection Using Machine Learning Techniques [0.0]
「NoPhish」は、いくつかの機械学習技術に基づいてフィッシングWebページを識別する。トレーニングデータセットを"PhishTank"から使い、22の人気のある特徴を抽出しました。結果からランダムフォレストが最も精度が高いことが示唆された。
論文参考訳（メタデータ） (2024-09-01T18:59:14Z)
Understanding crypter-as-a-service in a popular underground marketplace [51.328567400947435]
Cryptersは、ターゲットバイナリを変換することで、アンチウイルス(AV)アプリケーションからの検出を回避できるソフトウェアの一部です。シークレット・アズ・ア・サービスモデルは,検出機構の高度化に対応して人気を博している。本論文は,シークレット・アズ・ア・サービスに特化したオンライン地下市場に関する最初の研究である。
論文参考訳（メタデータ） (2024-05-20T08:35:39Z)
Evaluating the Efficacy of Large Language Models in Identifying Phishing Attempts [2.6012482282204004]
何十年にもわたるサイバー犯罪戦術であるフィッシングは、今日のデジタル世界において大きな脅威となっている。本稿では,15大言語モデル (LLM) がフィッシング手法の検出に有効であることを示す。
論文参考訳（メタデータ） (2024-04-23T19:55:18Z)
Conning the Crypto Conman: End-to-End Analysis of Cryptocurrency-based Technical Support Scams [19.802676243375615]
暗号通貨ベースの技術サポート詐欺という詐欺の流行が高まっている。この種の詐欺を分析するために,HoneyTweetという分析装置を提案する。
論文参考訳（メタデータ） (2024-01-18T09:31:45Z)
Towards Understanding and Characterizing the Arbitrage Bot Scam In the Wild [4.129433926074777]
本稿では,オンラインソーシャルネットワーク上に散在する暗号通貨詐欺「arbitrage bot」の包括的分析を行った。この詐欺は、分散取引所(DEX)の仲裁を中心に展開され、被害者を誘致していわゆる「ボット契約」を実行させ、そこから資金を盗もうとする。大規模な詐欺を収集するために,CryptoScamHunterという完全自動詐欺検知システムを開発した。
論文参考訳（メタデータ） (2023-10-18T20:13:17Z)
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 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)
Adversarially robust deepfake media detection using fused convolutional neural network predictions [79.00202519223662]
現在のディープフェイク検出システムは、目に見えないデータと戦っている。ビデオから抽出した偽画像と実画像の分類には,CNN(Deep Convolutional Neural Network)モデルが3種類採用されている。提案手法は96.5%の精度で最先端のモデルより優れている。
論文参考訳（メタデータ） (2021-02-11T11:28:00Z)
Phishing and Spear Phishing: examples in Cyber Espionage and techniques to protect against them [91.3755431537592]
フィッシング攻撃は、2012年以降、サイバー攻撃の91%以上を突破し、オンライン詐欺で最も使われているテクニックとなっている。本研究は, フィッシングとスピア・フィッシングによる攻撃が, 結果を大きくする5つのステップを通じて, フィッシングとスピア・フィッシングによる攻撃の実施方法についてレビューした。
論文参考訳（メタデータ） (2020-05-31T18:10:09Z)

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。