論文の概要: ScamSweeper: Detecting Illegal Accounts in Web3 Scams via Transactions Analysis

• arxiv url: http://arxiv.org/abs/2512.15030v1
• Date: Wed, 17 Dec 2025 02:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.830184
• Title: ScamSweeper: Detecting Illegal Accounts in Web3 Scams via Transactions Analysis
• Title（参考訳）: ScamSweeper:トランザクション分析によるWeb3 Scamにおける不正アカウントの検出
• Authors: Xiaoqi Li, Wenkai Li, Zhijie Liu, Meikang Qiu, Zhiquan Liu, Sen Nie, Zongwei Li, Shi Wu, Yuqing Zhang,
• Abstract要約: ScamSweeperは、Web3の詐欺を特定するためのトランザクショングラフの動的進化を強調する新しいフレームワークである。 ScamSweeperはWeb3スカムの検出においてSIEGE,Ethident,PDTGAよりも優れており,0.59のベース値で17.29%の重み付きF1スコア向上を実現している。 さらに、フィッシングノード検出のScamSweeperは、F1スコアのDGTSGとBERT4ETHを0.80から17.5%改善する。
• 参考スコア（独自算出の注目度）: 26.91409986185307
• License: http://creativecommons.org/licenses/by-sa/4.0/
• 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. However, previous studies have primarily concentrated on de-anonymization and phishing nodes, neglecting the distinctive features of web3 scams. Moreover, 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. To overcome these challenges, we present ScamSweeper, a novel framework that emphasizes the dynamic evolution of transaction graphs, to identify web3 scams on Ethereum. ScamSweeper samples the network with a structure temporal random walk, which is an optimized sample walking method that considers both temporal attributes and structural information. Then, the directed graph encoder generates the features of each subgraph during different temporal intervals, sorting as a sequence. Moreover, a variational Transformer is utilized to extract the dynamic evolution in the subgraph sequence. Furthermore, we collect a large-scale transaction dataset consisting of web3 scams, phishing, and normal accounts, which are from the first 18 million block heights on Ethereum. Subsequently, we comprehensively analyze the distinctions in various attributes, including nodes, edges, and degree distribution. Our experiments indicate that ScamSweeper outperforms SIEGE, Ethident, and PDTGA in detecting web3 scams, achieving a weighted F1-score improvement of at least 17.29% with the base value of 0.59. In addition, ScamSweeper in phishing node detection achieves at least a 17.5% improvement over DGTSG and BERT4ETH in F1-score from 0.80.
• 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。 しかし、以前の研究では主に匿名化とフィッシングノードに集中しており、Web3詐欺の特徴を無視している。 さらに、現在のフィッシングアカウント検出ツールでは、グラフ学習やサンプリングアルゴリズムを使用してグラフの特徴を取得する。 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。 これらの課題を克服するために、私たちは、Ethereum上のWeb3詐欺を特定するために、トランザクショングラフの動的進化を強調する新しいフレームワークであるScamSweeperを紹介します。 ScamSweeperは、時間特性と構造情報の両方を考慮した最適化されたサンプルウォーキング法である、時間的ランダムウォークでネットワークをサンプリングする。 そして、有向グラフエンコーダは、時間間隔の異なる各サブグラフの特徴を生成し、シーケンスとしてソートする。 さらに、変分変換器を用いて、サブグラフシーケンスの動的進化を抽出する。 さらに、Ethereumの最初の1800万ブロックの高さから、Web3の詐欺、フィッシング、および通常のアカウントで構成される大規模なトランザクションデータセットを収集します。 その後,ノード,エッジ,次数分布など,様々な属性の区別を包括的に分析する。 ScamSweeperはWeb3スカムの検出においてSIEGE,Ethident,PDTGAよりも優れており,0.59のベース値で17.29%の重み付きF1スコア向上を実現している。 さらに、フィッシングノード検出のScamSweeperは、F1スコアのDGTSGとBERT4ETHよりも少なくとも17.5%改善されている。

関連論文リスト

• PhishingHook: Catching Phishing Ethereum Smart Contracts leveraging EVM Opcodes [2.427531959511691]
  PhishingHookは、スマートコントラクトにおけるフィッシングアクティビティを検出する機械学習技術を適用するフレームワークである。 我々は、実世界のマルウェアスマートコントラクト7000を用いて、4つの主要なカテゴリ(ヒストグラム類似性、視覚モデル、言語モデル、脆弱性検出モデル)に属する16の手法を実験的に比較した。 その結果,フィッシング分類システムにおけるPhishingHookの有効性が示され,各モデルの平均精度は約90%であった。
  論文  参考訳（メタデータ） (2025-06-24T10:16:47Z)
• Detecting Malicious Accounts in Web3 through Transaction Graph [5.860182743283932]
  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。
  論文  参考訳（メタデータ） (2024-10-28T03:56:22Z)
• 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)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• TTAGN: Temporal Transaction Aggregation Graph Network for Ethereum Phishing Scams Detection [11.20384152151594]
  既存のフィッシング詐欺検出技術は、主に機械学習またはネットワーク表現学習を使用して、トランザクションネットワークから鍵情報をマイニングし、フィッシングアドレスを識別する。 本稿では、フィッシング検出性能を向上させるための時間トランザクション集約グラフネットワーク(TTAGN)を提案する。 我々のTTAGN (92.8% AUC, 81.6% F1score) は最先端の手法よりも優れており, 時間的エッジ表現とエッジ2ノードモジュールの有効性も示されている。
  論文  参考訳（メタデータ） (2022-04-28T12:17:00Z)
• 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)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
  コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。 本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。 HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
  論文  参考訳（メタデータ） (2020-06-10T08:20:13Z)

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。