Jan, 2023

Evolve Path Tracer: 加密货币中恶意地址的早期检测

PDF
TL;DR本文提出了 Evolve Path Tracer 来检测虚拟货币中的欺诈行为和恶意地址，通过引入资产转移路径和对应路径图来描述交易模式。与现有技术相比，本文提出的解决方案可以满足早期恶意地址检测的需求，并在三个真实数据集上取得了优异表现。
cryptocurrencyfraud detectionmalicious addressesevolve path tracerasset transfer paths
发现论文，激发创造
  • 比特币早期恶意检测的意图发现

    该论文提出了一种新的基于实时预测的检测模型，可用于监测比特币交易中的各种非法活动，具有强解释性和高效性。

    Sep, 2022

  • 从资产流动到状态、行动和意图发现：加密货币中的早期恶意检测

    提议了一种用于比特币（BTC）的早期恶意检测的意图监控模型，通过基于决策树的特征选择和补充为不同恶意类型构建不同的特征集，使用状态 / 行为建议模块和意图变分自动编码器模块生成相关特征，进而提高模型的可解释性和检测效果。实验证明该算法优于现有方法，并且能够发现新的可疑行为。

    Sep, 2023

  • 链节轨道：比特币区块链的拓扑地址嵌入

    通过使用一种名为 Chainlet Orbits 的新方法，该方法嵌入地址并使用其拓扑特征，我们能够更好地检测出由比特币网络中的违法行为引起的独特子结构，并且该方法通过使用可解释的机器学习模型在短时间内进行了一些检测。

    May, 2023

  • 比特币网络中欺诈交易和非法节点揭秘 —— 金融取证

    该论文提出了一种基于应用数据科学方法的欺诈检测综合方法来检测比特币网络中的欺诈行为，通过对四类图数据 (即交易至交易图、地址至地址交互图、地址交易图和用户实体图) 进行机器学习算法的操作不仅有效检测非法交易和非法地址的欺诈行为、而且也帮助了解加密货币交易中洗钱漏洞的根源和欺诈检测和预防策略。

    May, 2023

  • 利用图神经网络揭示比特币地址行为

    本文提出了一种基于机器学习的比特币地址分类工具 BAClassifier，该工具利用地址图结构和特征网络，对比特币地址行为进行自动分类，实验结果表明该方法在比特币地址分类上表现优秀，可有效提高识别比特币网络中恶意交易的能力。

    Nov, 2022

  • 基于异构图神经网络的以太坊欺诈检测

    该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

    Mar, 2022

  • 概率采样增强时空 GCN：以太坊网络中交易异常检测的可扩展框架

    本研究通过将图卷积网络（GCNs）与时间随机游走（TRW）相结合，并借助概率抽样，来识别以太坊交易的复杂时间序列，从而提供更精细的交易异常检测机制。初步评估表明，我们的 TRW-GCN 框架在检测异常和交易突发事件方面显著提高了性能指标。此研究通过利用空间关系和基于时间的交易序列作为节点特征引入了更高层次的细粒度，使检测过程更健壮且不易产生误报，为未来优化和提高区块链技术透明度的研究奠定了基础。

    Sep, 2023

  • 比特币反洗钱：基于图卷积网络的金融取证实验

    本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色，以及加密货币所引入的假名化和开放数据等新问题，同时提出使用分类算法和图方法来预测和控制非法交易，并分享了一个被标记的比特币交易数据集以供进一步研究。

    Jul, 2019

  • 以网络嵌入技术检测以太坊网络中的网络钓鱼及骗局探测

    通过交易记录的信息提取和网络嵌入技术，本文针对以太坊网络上的网络钓鱼现象提出了一种检测方法，并证明其在以太坊上的有效性和交易网络特征提取算法的优越性。

    Nov, 2019

  • 面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022