基于交易时间衰减的以太坊恶意地址检测方法

提出Trans-TAN模型,用于以太坊上的交易流向图中关联恶意地址的检测任务,模型改进基于Transformer模型的自注意力机制,根据以太坊地址的交易特点并受到牛顿冷却定理的启发,引入随时间交易的时间间隔衰减因素,同时融合以太坊地址间的相似度因素和交易金额因素。基于以上三方面,通过牛顿冷却定理的常微分方程解形式构建的地址关联矩阵,从而改进原有的自注意力矩阵。实验证明,Trans-TAN模型能够有效捕捉以太坊交易流向图过程中恶意节点地址的特征,在测试集中精准率(Precision)、召回率(Recall)和F 1指标优于传统的检测模型。

基于改进哈希时间锁的区块链跨链资产交互协议

区块链是近年来炙手可热的技术话题之一,与其相关的研究理论正在不断丰富。然而,距离区块链技术落地仍面临着吞吐量小、处理效率低的关键问题。针对该问题,跨链技术作为一种有潜力,同时具备扩大吞吐量处理能力、提升处理效率的区块链技术而被广泛关注。文中给出了一种基于改进哈希时间锁的跨链资产交互协议(A Novel Hash-Time-Lock-Contract Based Cross-Chain Token Swap Mechanism,NCASP),创造性地为Fabric区块链引入账户体系,融合智能合约技术实现了在以太坊和Fabric联盟链网络之间的安全无缝资产交换。NCASP协议在每笔HTLC(Hash Time Lock Contract)转账中设置了不同的中间账户进行资产托管和转移,并在交易完成后及时销毁,使得在原有跨链交易速率不变的同时,保证了交易的安全性。通过对协议进行仿真模拟表明,该协议适用于以Fabric为代表的联盟链与比特币以及以以太坊为代表的公链,无需第三方区块链介入,即可实现高效安全的跨链资产交换,且在交易效率上比BSN(Blockchain Service Network)的跨链方案节省了约26.8%。改进的协议扩展了传统HTLC跨链资产方案的使用场景,使不同用户间的资产交换兼顾原子性、公平性以及透明性的特点。

基于交易特征对以太网多类型非法账户的分析与预测

日益频繁的非法交易行为妨害以太坊安全交易,针对电子货币的匿名性使得非法交易行为难于跟踪分析问题。将以太坊平台交易数据作为数据源,以被标记的非法账户和未标记的正常账户数据集作为训练集,利用交易数据的特征属性为构造基础,通过CatBoost算法对其中包含多种类型的非法账户进行整体预测。其过程通过T-SNE算法实现交易特征的降维可视化,采用多倍交叉验证,引入SHAP value因子判断特征影响的正负属性,所建立模型的预测效果准确率达到了94.29%,感受者曲线下面积(AUC)数值的评估度量达到了0.9846。该方案能较为准确地预测以太坊交易平台上存在的非法行为,有效改善基于区块链的交易环境。

基于时序交易图注意力神经网络的以太坊恶意账户检测

随着区块链的迅速发展,利用以太坊从事传销、诈骗、洗钱等犯罪行为逐年增加,因此对于以太坊账户的检测成为了破解新型犯罪的一种有效方法。文章提出将交易时间信息融入到以太坊地址账户特征的模型,从而检测以太坊账户是否为恶意账户。模型对传统的注意力网络进行改进,通过融合时序交易时间图注意力的神经网络实现了地址账户特征的最终表达。实验结果表明,该模型优于传统的机器学习分类算法和图神经网络分类算法。

基于C5.0算法对以太坊中非法账户的分析与预测

针对加密货币的匿名性使得非法交易行为难于跟踪分析的问题,以以太坊交易数据为数据源,以被标记的非法账户和未标记的正常账户数据集作为训练集,基于C5.0算法,对其中包含多种类型的非法账户进行预测。实验过程采用多倍交叉验证,预测准确率达到了90.06%,感受者曲线下面积数值的评估度量达到了0.945。所提方案能够较为准确地预测以太坊交易平台上存在的非法行为,有效改善了基于区块链的交易环境。

基于LightGBM的以太坊恶意账户检测方法

由于区块链匿名性的特点,以太坊逐渐成为恶意账户利用漏洞攻击、网络钓鱼等手段实施欺诈的平台。针对上述问题,文章提出了一种基于Light GBM的以太坊恶意账户检测方法。首先通过收集并标注8028个以太坊账户,基于交易历史规律提取手工特征;然后使用自动特征构造工具featuretools提取统计特征;最后通过融合的两类特征训练Light GBM分类器完成以太坊恶意账户检测。实验结果表明,文章提出方法的F1值为94.9%,相较于SVM、KNN等方法更加高效准确,引入手工特征有效提升了恶意账户的检测性能。

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。