論文の概要: Scam Detection for Ethereum Smart Contracts: Leveraging Graph Representation Learning for Secure Blockchain
- arxiv url: http://arxiv.org/abs/2412.12370v1
- Date: Mon, 16 Dec 2024 21:56:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 14:01:40.356919
- Title: Scam Detection for Ethereum Smart Contracts: Leveraging Graph Representation Learning for Secure Blockchain
- Title(参考訳): Ethereumスマートコントラクトのための詐欺検出:セキュアブロックチェーンのためのグラフ表現学習を活用する
- Authors: Yihong Jin, Ze Yang,
- Abstract要約: 本稿では,グラフ表現を利用してトランザクションパターンを調べ,不正契約を識別する革新的な手法を提案する。
提案手法は,SMOTE-ENN手法によるラベルの不均衡に対処し,Multi-Layer Perceptron (MLP) や Graph Conalvolution Networks (GCN) などのモデルを評価する。
実験結果から,本モデルがこの文脈でGCNを上回り,実世界の評価がドメイン固有分析と密接に一致していることが示唆された。
- 参考スコア(独自算出の注目度): 1.3689475854650441
- License:
- Abstract: The detection of scams within Ethereum smart contracts is a critical challenge due to their increasing exploitation for fraudulent activities, leading to significant financial and reputational damages. Existing detection methods often rely on contract code analysis or manually extracted features, which suffer from scalability and adaptability limitations. In this study, we introduce an innovative method that leverages graph representation learning to examine transaction patterns and identify fraudulent contracts. By transforming Ethereum transaction data into graph structures and employing advanced machine learning models, we achieve robust classification performance. Our method addresses label imbalance through SMOTE-ENN techniques and evaluates models like Multi-Layer Perceptron (MLP) and Graph Convolutional Networks (GCN). Experimental results indicate that the MLP model surpasses the GCN in this context, with real-world evaluations aligning closely with domain-specific analyses. This study provides a scalable and effective solution for enhancing trust and security in the Ethereum ecosystem.
- Abstract(参考訳): Ethereumスマートコントラクト内の詐欺の検出は、不正行為の搾取が増加し、経済的および評判に重大なダメージを与えるため、重要な課題である。
既存の検出方法は、しばしばスケーラビリティと適応性の制限に悩まされる契約コード分析や手動で抽出された機能に依存します。
本研究では,グラフ表現学習を利用してトランザクションパターンを調べ,不正契約を識別する革新的な手法を提案する。
Ethereumトランザクションデータをグラフ構造に変換し、高度な機械学習モデルを採用することにより、ロバストな分類性能を実現する。
提案手法は,SMOTE-ENN技術を用いてラベルの不均衡に対処し,Multi-Layer Perceptron (MLP) や Graph Convolutional Networks (GCN) などのモデルを評価する。
実験結果から,MPPモデルがこの文脈でGCNを上回り,実世界の評価がドメイン固有解析と密接に一致していることが示唆された。
この研究は、Ethereumエコシステムの信頼性とセキュリティを強化するために、スケーラブルで効果的なソリューションを提供する。
関連論文リスト
- A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。
推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。
アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文 参考訳(メタデータ) (2025-02-18T22:07:36Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
機械学習モデルはラベルのフリップ(ラベルのフリップ)に弱い。
サンプルと集合証明書の両方を抽出し,正確な認証手法を提案する。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な証明書を提示しました。
論文 参考訳(メタデータ) (2024-11-30T17:05:12Z) - Facilitating Feature and Topology Lightweighting: An Ethereum Transaction Graph Compression Method for Malicious Account Detection [3.877894934465948]
Bitcoinは暗号通貨の主要なグローバルプラットフォームの一つとなり、金融エコシステムの多様化を促進する上で重要な役割を果たしている。
従来の規制手法は通常、機能エンジニアリングや大規模トランザクショングラフマイニングを通じて悪意のあるアカウントを検出する。
本稿では,TGC4Ethというトランザクショングラフ圧縮手法を提案する。
論文 参考訳(メタデータ) (2024-05-14T02:21:20Z) - 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) - 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) - 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) - Self-supervised Incremental Deep Graph Learning for Ethereum Phishing
Scam Detection [15.350215512903361]
グラフニューラルネットワーク(GNN)は、様々なノード分類タスクにおいて有望な性能を示している。
実世界の複雑なグラフに自然に抽象化できるトランザクションデータでは、ラベルの不足と大量のトランザクションデータがGNNの手法を利用するのを困難にしている。
フィッシング詐欺検出問題に対する自己教師付きインクリメンタルグラフ学習モデル(SIEGE)を提案する。
論文 参考訳(メタデータ) (2021-06-18T15:06:26Z) - 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。