基于子图的以太坊异常交易检测

科研背景

• 区块链在金融领域有广泛的应用，但也吸引了越来越多的网络犯罪。最近，网络钓鱼欺诈已成为区块链安全的一个主要威胁，需要制定有效的监管策略。目前，网络科学已被广泛应用于以太坊交易数据的建模中，进一步引入了网络表示学习技术来分析交易模式。
• 图挖掘技术作为一种常用的工具，可以有效地表示账户之间的交互信息，将异常交易检测转化为图的分类任务，完成异常交易识别的任务。然而，现有的方法无法平衡可伸缩性和端到端架构，导致高计算消耗和弱的特征表示。

科研问题

• 现有的交易异常检测方法主要利用图表示学习技术生成账户特征向量，并通过下游的机器学习分类器进一步实现交易异常检测。然而，这些方法并没有实现端到端架构，因此无法学习与任务相关的特性。
• 虽然图卷积网络通常是通过端到端来实现的，但大多数网络的可伸缩性较差。

科研目的

• 将异常交易检测作为一个图的分类任务，利用图卷积神经网络实现端到端的异常交易检测。
• 将交易网络图进行子图采样，提高卷积神经网络的可伸缩性。

整体思路

构建了一个轻量级的以太坊交易网络，并提取了收集到的网络钓鱼账户的交易子图。然后，采用一种基于切比雪夫-GCN的端到端检测模型来精确区分正常账户和异常用户，实现异常交易检测。