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。