[論文レビュー] TSGN: Transaction Subgraph Networks Assisting Phishing Detection in Ethereum

Jinhuan Wang, Pengtao Chen+5 more|arXiv (Cornell University)|Aug 27, 2022

Blockchain Technology Applications and Security被引用数 8

ひとこと要約

本稿では、方向性、時刻、属性符号化を組み込んだ取引サブグラフをモデル化することで、イーサリアムにおけるフィッシング検出を向上させるTSGNという取引サブグラフネットワークフレームワークを提案する。生の取引ネットワークを方向性TSGN（Directed-TSGN）、時系列TSGN（Temporal-TSGN）、多重TSGN（Multiple-TSGN）といった構造的なTSGNに変換することで、グラフ表現学習を強化し、ベースラインモデル比で最大16.03%の相対的性能向上を達成した。

ABSTRACT

Due to the decentralized and public nature of the Blockchain ecosystem, the malicious activities on the Ethereum platform impose immeasurable losses for the users. Existing phishing scam detection methods mostly rely only on the analysis of original transaction networks, which is difficult to dig deeply into the transaction patterns hidden in the network structure of transaction interaction. In this paper, we propose a \underline{T}ransaction \underline{S}ub\underline{G}raph \underline{N}etwork (TSGN) based phishing accounts identification framework for Ethereum. We first extract transaction subgraphs for target accounts and then expand these subgraphs into corresponding TSGNs based on the different mapping mechanisms. In order to make our model incorporate more important information about real transactions, we encode the transaction attributes into the modeling process of TSGNs, yielding two variants of TSGN, i.e., Directed-TSGN and Temporal-TSGN, which can be applied to the different attributed networks. Especially, by introducing TSGN into multi-edge transaction networks, the Multiple-TSGN model proposed is able to preserve the temporal transaction flow information and capture the significant topological pattern of phishing scams, while reducing the time complexity of modeling large-scale networks. Extensive experimental results show that TSGN models can provide more potential information to improve the performance of phishing detection by incorporating graph representation learning.

研究の動機と目的

• 生の取引ネットワークに依存する既存のフィッシング検出手法が、隠れた構造的および時系列的パターンを無視するという限界を是正すること。
• イーサリアム取引のトポロジー、方向性、時系列的特徴を捉えるサブグラフベースのネットワーク表現モデルの開発。
• 取引サブグラフからのより豊かな構造的および属性情報の統合により、悪意あるアカウントを特定するためのグラフベース分類モデルの性能を向上させること。
• 大規模ブロックチェーンネットワークにおける取引フローの重要なパターンを保持しつつ、時間計算量を低減すること。

提案手法

• ターゲットアカウントを中心に周囲のローカルな相互作用パターンに焦点を当てて、イーサリアム取引グラフから取引サブグラフを抽出する。
• 方向性、時刻、取引属性を符号化する複数のマッピング機構を設計し、サブグラフをTSGNに変換する。
• 資金流れの方向性をモデル化するためのDirected-TSGN、時系列順序取引シーケンスを組み込むためのTemporal-TSGN、多重エッジ取引ネットワーク向けのMultiple-TSGNを導入する。
• TSGNにグラフニューラルネットワーク（例：Diffpool）を適用し、分類のための強化されたノードおよびグラフ表現を学習する。
• t-SNE可視化を用いて、TSGN強化特徴が埋め込み空間におけるクラス分離性を向上させることを検証する。
• 実イーサリアムデータセットを用いた標準指標に基づく評価を行い、TSGNのバリエーションをTNやDiffpoolといったベースラインモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 構造的および属性に配慮したマッピングを用いて取引サブグラフをモデル化することで、イーサリアムにおけるフィッシングアカウントの検出が向上するか？
• RQ2 取引サブグラフに組み込まれた方向性および時系列的属性が、グラフベースのフィッシング検出モデルの性能にどのように影響するか？
• RQ3 TSGNバリエーションは、大規模ネットワークにおける重要な取引フローパattersを保持しつつ、どの程度時間計算量を低減できるか？
• RQ4 表現学習手法（例：Diffpool）とTSGNを統合することで、生の取引ネットワークと比較して分類精度がどの程度向上するか？
• RQ5 Multiple-TSGNは複数エッジを介した複雑な相互作用パターンを効果的に捉えられ、複数取引シナリオにおける検出性能を向上させられるか？

主な発見

• TSGNモデルは、データセット全体にわたる平均で、ベースラインのTNモデル比で16.03%の相対的性能向上を達成した。
• Directed-TSGNバリエーションが最も検出精度を向上させ、Diffpoolと組み合わせた場合、EtherG1データセットで%Increase指標で14.58%の向上を示した。
• Temporal-TSGNは時刻制約による非重要エッジのフィルタリングを効果的に行い、よりクリアで解釈可能な取引フローサブグラフ構造を生成した。
• Multiple-TSGNは、Diffpoolを含むすべてのベースラインを上回り、データセット全体で%Increase（TN）が2.13%から16.03%の範囲で向上した。
• t-SNE可視化により、TSGN強化特徴が埋め込み空間でより分離されたクラスタを形成することを確認し、分類能の向上が裏付けられた。
• 提案されたTSGNフレームワークは、生のネットワークモデル化と比較して時間計算量を低減しながらも、高い性能（例：EtherG3で95.86%、EtherG4で96.71%のF1スコア）を維持した。