GTSF:一种基于获取交易语义特征的新型以太坊网络钓鱼诈骗检测方法

《Expert Systems with Applications》:GTSF: A Novel Ethereum Phishing Scams Detection Method based on Gaining Transaction Semantics Features

【字体: 大 中 小 】 时间:2026年01月03日 来源:Expert Systems with Applications 7.5

编辑推荐:

  针对以太坊交易子图采样忽略语义和GNN同质性假设导致检测性能不足的问题,本文提出GTSF方法,通过METS增强子图语义差异,HGFS引入异质性学习,实验证明其优于现有方法。

  
宋万水|谭静文|王焕然|韩帅|赖明珠|吴阳
哈尔滨工程大学计算机科学与技术学院,哈尔滨,150006,中国

摘要

以太坊是最广泛使用的区块链平台,吸引了大量用户参与交易。加密货币的金融性质使得以太坊成为网络钓鱼诈骗的温床,对资产安全构成了严重威胁。现有的网络钓鱼诈骗检测方法通过构建交易子图并利用图神经网络(GNN)来识别潜在的钓鱼账户。然而,现有方法在子图采样过程中忽略了交易语义,导致采样到的子图缺乏区分度,从而影响了分类性能。此外,传统的GNN依赖于同质性假设,这会在特征聚合过程中导致表示的同质化,增加了不同交易子图之间的相似性。为了解决这些问题,我们提出了一种方法来获取交易语义特征以识别钓鱼诈骗(称为GTSF)。GTSF方法包括一种构建交易子图的采样策略和个性化的GNN。首先,我们设计了一种基于主题的子图采样策略来构建具有丰富交易语义的子图。其次,我们设计了一种个性化的GNN来减少交易子图潜在特征之间的过度相似性。在真实的以太坊交易数据集上的实验表明,我们提出的方法在多个评估指标上均优于现有方法,表明其在网络钓鱼诈骗检测方面的有效性和鲁棒性。

引言

以太坊是最大且最广泛使用的区块链平台,首次推出于2015年(Chen, Guo, Chen, Zheng, & Lu (2020b))。在以太坊上,每秒有超过14.8笔交易,每天有超过70万个活跃账户(Li et al. (2022))。加密货币的金融性质(Zhou et al. (2022))使得以太坊成为各种网络犯罪的温床(Wu et al. (2020)),例如庞氏骗局(Chen et al. (2018))、网络钓鱼诈骗(Zhou et al. (2022)等。根据Chainalysis的报告,网络钓鱼诈骗占以太坊所有类型诈骗的很大比例(Wang, Xu, & Cheng (2023a))。2021年,网络钓鱼诈骗在第一周就从受害者那里骗取了64.5万美元,在一个月内骗取了300万美元(Li et al. (2022))。由于巨大的经济损失,网络钓鱼诈骗已成为以太坊金融安全的主要威胁(Chen et al. (2020b))。因此,在以太坊上识别网络钓鱼诈骗已成为一个研究热点(Hu et al. (2023); Zhou et al. (2022))。
如图1所示,传统的没有区块链技术的网络钓鱼诈骗通常会设立一个假冒的官方网站,诱使用户登录以获取个人信息,如用户名和密码。为了在用户登录前发出警告(Sahingoz, Buber, Demir, & Diri (2019)),传统的网络钓鱼诈骗检测方法的主要任务是识别假冒网站(Haruta, Asahina, & Sasase (2017))。而在区块链时代,骗子会诱使普通用户将资金转移到区块链平台上的指定账户,例如Bee Token ICO诈骗案例。因此,用于识别假冒网站的传统网络钓鱼检测方法难以应用于加密货币场景(Li et al. (2022))。由于以太坊的交易记录是公开可获取的,这些记录为网络钓鱼检测提供了数据基础(Chen et al. (2020b))。
当前的研究(Béres, Seres, Benczúr, & Quintyne-Collins (2021); Chen et al. (2020b); Hou, Cui, Chen, & Li (2024); Hou, Cui, & Li (2022); Li et al. (2022); Lin, Wu, Yuan, & Zheng (2020); Wu, Lin, Zheng, & Yuan (2019); Wu et al. (2020))基于以太坊的交易记录构建了交易图,并采用图表示学习技术进行网络钓鱼检测。这些基于图的钓鱼检测方法分为两类:基于节点的检测方法(Grover & Leskovec (2016); Perozzi, Al-Rfou, & Skiena (2014a); Wu et al. (2020)和基于子图的检测方法(Hamilton, Ying, & Leskovec (2017); Kipf & Welling (2017); Li et al. (2022); Velickovic et al. (2017); Wang et al. (2025); Zhou et al. (2022)。基于节点的检测方法根据从与账户相关联的交易上下文中提取的账户特征来检测网络钓鱼。由于这些方法将多条边整合为单条边以简化图计算,因此忽略了对于网络钓鱼检测至关重要的序列信息(Hu et al. (2023))。
基于子图的检测方法以目标账户为中心构建子图,并通过图神经网络(GNN)对子图进行分类来检测网络钓鱼。GNN模型本质上假设图中连接的节点具有同质性(Zhu et al. (2021),即大多数连接发生在同一类或具有相似特征的节点之间(Guha & Wicker (2015))。然而,在网络钓鱼场景中,相邻节点是异质的,并且存在显著差异(例如图2中的钓鱼节点与受害者节点),这与上述假设相矛盾。基于子图的检测方法主要有两个缺点,导致子图表示难以区分。
第一个缺点是,在两种常见情况下,子图的拓扑结构相似。一种情况是其他类型的节点与钓鱼节点距离较近,它们对应的子图表现出过度结构相似性。另一种情况是待检测的节点包含具有交易聚集特征的账户,如赌博、庞氏骗局等,它们的子图呈现出“多对一”的星形拓扑结构。在子图采样过程中不考虑交易语义(如交易模式或方向),这两种情况下相似的子图结构导致相似的子图表示。此外,GNN的同质性假设和特征聚合进一步加剧了子图表示的相似性。GNN是基于同质性假设设计的,倾向于为邻近节点生成相似的表示(Rossi et al. (2020))。此外,简单的平均聚合进一步减少了子图表示的差异。加上子图结构的相似性,导致子图表示难以区分,从而影响了检测性能。
受到上述观察的启发,本文总结并解决了以太坊上网络钓鱼检测中的两个重要问题。
  • •
    交易子图缺乏交易语义特征的差异化表示,导致不同交易子图之间的区分度降低。
  • •
    GNN对同质性的依赖加剧了不同交易子图之间的相似性,使得识别钓鱼账户变得困难。
  • 为了解决这些问题,我们提出了一种方法来获取交易语义特征(GTSF)以识别钓鱼诈骗。GTSF方法包括两部分:一部分是构建交易子图的采样策略,另一部分是个性化的GNN。交易子图构建方法引入了主题来表达交易语义(METS),用于基于交易语义放大子图之间的差异。个性化GNN基于异质性来生成子图特征(HGFS),用于减少交易子图潜在特征之间的过度相似性。GTSF方法通过实现基于交易语义的子图构建来放大不同交易之间的差异,并通过添加GNN模型的异质性依赖性来扩展子图的区别。
    本文的主要贡献如下:
  • •
    我们开发了一种新方法(GTSF),通过全面表示交易子图的语义特征来识别钓鱼诈骗。
  • •
    GTSF
    方法从两个方面增强了交易子图的区分度:子图构建和GNN训练过程。具体来说,METS使用主题来表达交易语义,而个性化GNN模块(HGFS)增强了子图之间的异质性。
  • •
    进行了广泛的实验,以证明
    GTSF
    方法在真实世界交易网络上的有效性。实验结果显示,与现有技术方法相比,在识别钓鱼诈骗方面取得了显著进步。
  • 本文的结构如下。第2节总结了网络钓鱼诈骗检测和图神经网络的相关工作。第3节将网络钓鱼诈骗检测任务定义为子图分类问题。第4节提出了通过捕获交易语义来检测钓鱼诈骗的解决方案。然后,第5节基于真实世界交易网络评估了所提方法的性能。最后,第6节对本文进行了总结。

    相关工作

    相关工作

    基于节点和基于子图的方法都属于图表示学习。我们在2.1节介绍了以太坊上网络钓鱼诈骗检测的表示学习方法。现有研究将所有账户视为单一节点类型来构建图,忽略了钓鱼诈骗节点周围邻居类型的多样性。在以太坊交易网络中,钓鱼节点在行为和结构上与其邻居不同,表现出明显的异质性。

    问题定义

    在本文中,以太坊上的网络钓鱼诈骗检测被定义为子图分类任务。从以太坊交易数据构建的全局交易图表示为G=(V, E, X, Y). 集合V={v1, v2, , vn}包含了所有账户节点。边集X∈R|V|×d,其中d是特征维度。对于每个节点

    提出的方法

    在本节中,我们介绍了所提出的GTSF模型的整体框架。该模型由两个核心组件组成:METS和HGFS。METS计算主题频率并进行语义采样,以构建具有不同交易语义的子图。HGFS通过LINK和MLP模块整合结构和语义特征,以增强子图的区分度并进行分类。

    实验结果与分析

    在本节中,我们描述了进行的实验,以评估所提出的GTSF模型在网络钓鱼诈骗检测任务上的有效性。我们首先使用以太坊交易记录构建数据集,并介绍基线模型。然后,我们展示实验设置并报告结果。最后,我们分析发现以展示GTSF的优势并概述未来的研究方向。

    结论

    在这项研究中,我们提出了GTSF框架,以改进以太坊平台上的网络钓鱼诈骗检测。该框架由两个核心模块组成:METS和HGFS。METS使用主题来指导邻居采样,构建捕获多样化交易语义的子图,并突出交易之间的语义差异。HGFS通过个性化特征学习增强子图之间的异质性。这种设计提高了模型的

    作者声明

    宋万水:概念化、方法论、软件、验证、撰写——原始草稿、撰写——审阅与编辑。
    谭静文:方法论、软件、撰写——原始草稿。
    王焕然:调查、撰写——审阅与编辑
    韩帅:调查、撰写——审阅与编辑
    赖明珠:撰写——审阅与编辑、监督
    吴阳:撰写——审阅与编辑、监督

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号