[論文レビュー] Ethereum Fraud Detection with Heterogeneous Graph Neural Networks

Hiroki Kanezashi, Toyotaro Suzumura+2 more|arXiv (Cornell University)|Mar 23, 2022

Blockchain Technology Applications and Security被引用数 10

ひとこと要約

本稿では、ノードおよびエッジタイプの異種性を活用して、イーサリアム取引ネットワークにおけるフィッシング詐欺検出のための異種グラフニューラルネットワーク（GNN）アプローチを提案する。RGCNモデルは、精度、再現率、F1スコア、PR-AUCのすべての指標で、均質的および非均質的GNNのベースラインを上回り、エッジタイプを明示的にモデル化することで、実世界のブロックチェーンデータにおける詐欺検出精度が向上することを示している。

ABSTRACT

While transactions with cryptocurrencies such as Ethereum are becoming more prevalent, fraud and other criminal transactions are not uncommon. Graph analysis algorithms and machine learning techniques detect suspicious transactions that lead to phishing in large transaction networks. Many graph neural network (GNN) models have been proposed to apply deep learning techniques to graph structures. Although there is research on phishing detection using GNN models in the Ethereum transaction network, models that address the scale of the number of vertices and edges and the imbalance of labels have not yet been studied. In this paper, we compared the model performance of GNN models on the actual Ethereum transaction network dataset and phishing reported label data to exhaustively compare and verify which GNN models and hyperparameters produce the best accuracy. Specifically, we evaluated the model performance of representative homogeneous GNN models which consider single-type nodes and edges and heterogeneous GNN models which support different types of nodes and edges. We showed that heterogeneous models had better model performance than homogeneous models. In particular, the RGCN model achieved the best performance in the overall metrics.

研究の動機と目的

• 大規模かつ不均衡なイーサリアム取引ネットワークにおけるフィッシング詐欺検出の課題に、グラフニューラルネットワークを用いて対処すること。
• ラベル付きフィッシング報告を含む実際のイーサリアム取引データ上で、均質的および非均質的GNNモデルの性能を評価・比較すること。
• ノードおよびエッジタイプを明示的にモデル化することで、均質的GNNと比較して詐欺検出精度が向上するかどうかを調査すること。
• 非均質ブロックチェーングラフにおける効果的な詐欺検出のための最適なハイパーパrameterおよびモデル設定を同定すること。
• 特にRGCNを含む非均質GNNの有効性について、実世界の暗号通貨詐欺検出に見られる規模およびラベル不均衡の特性を扱う上で、実証的証拠を提供すること。

提案手法

• 実際のイーサリアムログから非均質取引ネットワークを構築し、ウォレットや交換所などのタイプにノードを分類した。
• 代表的な均質的GNN（GCN、GraphSAGE、GAT）および非均質的GNN（RGCN、HAN、HGT）を取引グラフに適用した。
• エッジタイプ（ノードタイプペアに基づく）を非均質モデルの主要入力として用い、タイプ別メッセージパッシングを可能にした。
• フィッシング詐欺インシデントの報告に基づくラベルを用いた教師あり学習でモデルを訓練し、精度、再現率、F1スコア、PR-AUCを最適化した。
• 隠れ層サイズ、学習率、ドロップアウト、重み減衰などのハイパーパrameterを包括的にチューニングした。
• 顕著なクラス不均衡を示す実世界のデータセットを用いて、標準指標に基づきモデル性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 イーサリアム取引ネットワークにおいて、ノードおよびエッジタイプの異種性をモデル化することで、均質的GNNと比較して詐欺検出性能が向上するか？
• RQ2 均質的または非均質的GNNアーキテクチャのうち、実際のイーサリアムフィッシングデータにおいて、最高の精度、再現率、F1スコアを達成するのはどれか？
• RQ3 学習率、隠れ層サイズ、ドロップアウト、重み減衰などのハイパーパrameterが、この文脈におけるモデル性能にどのように影響するか？
• RQ4 ノードタイプのワンホットエンコーディングのみで、均質的GNNの性能が非均質モデルと同等になるか？
• RQ5 RGCNにおけるエッジタイプ固有の学習は、優れた検出精度にどの程度寄与しているか？

主な発見

• RGCNモデルは、すべての指標で最高の全体的性能を達成し、精度、再現率、F1スコア、PR-AUCのすべてにおいて、均質的および他の非均質的GNNを上回った。
• 特にRGCNを含む非均質的GNNモデルは、GCN、GAT、GraphSAGEといった均質的GNNと比較して顕著に優れており、エッジタイプのモデル化の利点を確認した。
• 均質的モデルの中で、GraphSAGEは最高の精度を達成したが、再現率およびF1スコアはRGCNに劣っていた。
• HAN や HGT などの非均質モデルは高い再現率および F1 スコアを示したが、依然として RGCN に劣っており、RGCN の優れたエッジタイプに特化した学習の優位性を示している。
• ノードタイプのワンホットエンコーディングのみでは、均質的GNNの性能がRGCNにまで向上しなかったため、明示的なエッジタイプモデル化が不可欠であると示唆された。
• 通常のディープラーニングの実践とは対照的に、小さな学習率、大きな隠れ層サイズ、ドロップアウトおよび重み減衰の回避がモデル性能の向上に寄与することが判明した。