論文の概要: Phishing Detection in Ethereum via Temporal Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2605.01207v1
• Date: Sat, 02 May 2026 02:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.63997
• Title: Phishing Detection in Ethereum via Temporal Graph Contrastive Learning
• Title（参考訳）: 時間グラフコントラスト学習によるEthereumのフィッシング検出
• Authors: Cong Wu, Jing Chen, Siqi Lin, Hongda Li, Ziming Zhao,
• Abstract要約: 既存のフィッシング検出法は主にグラフ学習に依存している。 本稿では,フィッシングアクティビティを検知するオンチェーントランザクションをモニタする,フルダイナミックなセルフ教師システムであるPhishEyeを提案する。 161,658アドレスと416,541トランザクションのデータセットの評価は、PhishEyeが既存のメソッドより優れていることを示している。
• 参考スコア（独自算出の注目度）: 8.217132307053747
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Blockchain and decentralized finance have revolutionized the financial ecosystem while simultaneously exposing it to cryptocurrency phishing attacks. Existing phishing detection methods primarily rely on graph learning, but they face significant limitations. Static graph learning approaches fail to account for the temporal evolution of phishing patterns, while semi-dynamic methods, such as those combining static GNNs with LSTM, struggle to capture the irregular and bursty nature of blockchain transactions. Moreover, these methods overlook the diversity of Ethereum transactions, treating them as homogeneous graphs, and heavily rely on supervised learning, which requires extensive labeled data that is not readily available. These limitations reduce their adaptability to emerging phishing threats. In this paper, we present PhishEye, a fully dynamic self-supervised system that monitors on-chain transactions to detect phishing activities. PhishEye formulates Ethereum transactions as a heterogeneous temporal attributed multi-graph and incorporates a novel temporal graph contrastive learning model, which captures both temporal patterns and heterogeneous transaction types. The evaluation on a dataset of 161,658 addresses and 416,541 transactions shows that PhishEye outperforms existing methods, achieving an F1 score of 87.23% and an AUC of 98.43% for phishing transaction detection, and an F1 score of 94.19% and an AUC of 98.03% for phishing account detection. In real-world deployment from May 1, 2023 to July 31, 2024, PhishEye identified 1,803 previously unknown phishing addresses, providing early alerts that helped prevent losses exceeding 2 billion USD.
• Abstract（参考訳）: ブロックチェーンと分散金融は金融エコシステムに革命をもたらし、同時に暗号通貨のフィッシング攻撃にもたらした。 既存のフィッシング検出手法は主にグラフ学習に依存しているが、それらは大きな制限に直面している。 静的グラフ学習アプローチでは、フィッシングパターンの時間的進化を考慮できないが、静的GNNとLSTMを組み合わせたセミダイナミックな手法では、ブロックチェーントランザクションの不規則でバースト的な性質を捉えるのに苦労する。 さらに、これらの手法はEthereumトランザクションの多様性を見落とし、それらを均質なグラフとして扱い、教師付き学習に大きく依存する。 これらの制限により、フィッシングの脅威への適応性が低下する。 本稿では,フィッシングアクティビティを検知するオンチェーントランザクションをモニタする,フルダイナミックなセルフ教師システムであるPhishEyeを提案する。 PhishEyeは、Ethereumトランザクションをヘテロジニアスな時間的属性付きマルチグラフとして定式化し、時間的パターンとヘテロジニアスなトランザクションタイプの両方をキャプチャする、新しい時間的グラフコントラスト学習モデルを組み込んでいる。 161,658アドレスと416,541トランザクションのデータセットの評価は、PhishEyeが既存の方法より優れており、フィッシングトランザクション検出ではF1スコア87.23%、AUC98.43%、フィッシングアカウント検出ではF1スコア94.19%、AUC98.03%であることを示している。 2023年5月1日から2024年7月31日までの実際の展開で、PhishEyeは、これまで不明だった1,803のフィッシングアドレスを特定した。

関連論文リスト

• Enhancing Phishing Detection in Financial Systems through NLP [2.9687381456164004]
  金融システムにおけるフィッシング攻撃の脅威は、継続的に増大している。 ブラックリストやホワイトリストなど、いくつかの既存の方法がフィッシングの試みを検出する上で重要な役割を果たしている。 本稿では,フィッシングメール検出のための自然言語処理(NLP)手法を提案する。
  論文  参考訳（メタデータ） (2025-07-06T15:20:25Z)
• EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
  EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。 既存のディープラーニング技術と同等ですが、説明性が向上しています。 自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
  論文  参考訳（メタデータ） (2025-03-22T23:37:35Z)
• Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
  マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。 モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。 本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
  論文  参考訳（メタデータ） (2025-03-13T05:19:44Z)
• Across-Platform Detection of Malicious Cryptocurrency Transactions via Account Interaction Learning [19.2372535101502]
  既存の悪意のあるトランザクション検出方法は、大量のラベル付きデータに依存する。 そこで我々はシャドウイーズ(ShadowEyes)を提案する。 公開データセットを用いて大規模な実験を行い,ShadowEyesの性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-31T02:01:42Z)
• Dissecting Payload-based Transaction Phishing on Ethereum [13.398858969125495]
  ペイロードベースのトランザクションフィッシング(PTXPHISH)は、悪意のあるペイロードの実行を通じてユーザを騙すスマートコントラクトインタラクションを操作する。 PTXPHISHは急速に重大な脅威となり、2023年の報告書では7000万ドルを超える損失を招いた。 5000のフィッシングトランザクションからなるPTXPHISHデータセットを構築。 そこで本研究では,PTXPHISHを同定するためのルールベース多次元検出手法を提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:26:59Z)
• 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)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• 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)
• 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)

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。