基于AGNN-GBDT的链上欺诈账户检测模型

针对虚拟数字货币的市场逐渐升温,大量非法交易和行为难以追踪溯源的问题,提出了基于BGNN的链上欺诈账户检测模型——AGNN-GBDT。通过分析真实账户交易数据和以太坊官方提供的欺诈账户数据的特点,使用GReaT进行数据增强,并在GNN网络中设计了基于节点通道和语义通道的双通道注意力机制来学习节点自身和图网络结构的特征信息,同时保留GBDT处理异质特征数据优势,引入SHAP值来判断特征的重要性。实验结果表明,该模型在准确率上达到84.2%,F1-score为84.2%,其实验效率和结果相较于以前学者提出的模型方法都有一定程度的提升,能够较为准确地识别链上的欺诈账户,对于改善区块链的交易环境有积极作用。

面向非平衡数据集的金融欺诈账户检测研究

针对非平衡金融数据集,提出一种银行欺诈账户检测框架iForest-SMOTE。基于账户的动态交易特点,从统计、时序、监督信息维度抽取账户交易行为特征。针对过采样技术ADASYN在金融账户数据集中存在的跨区域样本合成问题,提出一种基于iForest算法的数据集均衡预处理策略,通过iForest算法对数据进行混合采样,在去除多数类噪声数据的同时降低分类器对少数类的学习难度。在此基础上,设计随机森林分类器实现金融欺诈账户检测。在真实金融账户交易数据集上进行实验,结果表明,与ADASYN、SMOTE等采样技术相比,iForest-SMOTE在召回率和准确率方面具有明显优势,F-value值至少能够提升2.13个百分点。