[논문 리뷰] TSGN: Transaction Subgraph Networks Assisting Phishing Detection in Ethereum

Jinhuan Wang, Pengtao Chen외 5명|arXiv (Cornell University)|2022. 08. 27.

Blockchain Technology Applications and Security인용 수 8

한 줄 요약

이 논문은 방향성, 타임스탬프, 속성 인코딩을 고려해 거래 서브그래프를 모델링하는 TSGN이라는 트랜잭션 서브그래프 네트워크 프레임워크를 제안한다. 원시 거래 네트워크를 구조화된 TSGN(예: Directed-TSGN, Temporal-TSGN, Multiple-TSGN)으로 변환함으로써 그래프 표현 학습을 향상시켜 기준 모델 대비 최대 16.03%의 상대적 성능 향상을 달성한다.

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.

연구 동기 및 목표

• 기존의 피싱 탐지 방법이 원시 거래 네트워크에만 의존해 숨겨진 구조적 및 시간적 패턴을 놓치는 한계를 해결하기 위해.
• 이더리움 거래의 위상, 방향성, 시간적 특징을 포착하는 서브그래프 기반 네트워크 표현 모델을 개발하기 위해.
• 거래 서브그래프에서 더 풍부한 구조적 및 속성 정보를 통합함으로써 그래프 기반 분류 모델의 악성 계정 식별 성능을 향상시키기 위해.
• 대규모 블록체인 네트워크에서 중요한 거래 흐름 패턴을 유지하면서 시간 복잡도를 감소시키기 위해.

제안 방법

• 목표 계정을 중심으로 이더리움 거래 그래프에서 거래 서브그래프를 추출하여 국소적 상호작용 패턴에 집중한다.
• 서브그래프를 TSGN으로 변환하기 위한 다중 매핑 메커니즘을 설계하여 방향성, 타임스탬프, 거래 속성을 인코딩한다.
• 자금 흐름 방향을 모델링하기 위해 Directed-TSGN을 도입하고, 시간 순서 거래 시퀀스를 통합하기 위해 Temporal-TSGN을 제안하며, 다중 엣지 거래 네트워크를 위해 Multiple-TSGN을 설계한다.
• TSGN에 그래프 신경망(예: Diffpool)을 적용하여 분류를 위한 향상된 노드 및 그래프 표현을 학습한다.
• t-SNE 시각화를 통해 TSGN 기반 특징이 임베딩 공간에서 클래스 간 분리도 향상됨을 검증한다.
• 실제 이더리움 데이터셋을 사용해 표준 지표로 성능을 평가하고, TSGN 변종을 TN 및 Diffpool과 같은 기준 모델과 비교한다.

실험 결과

연구 질문

• RQ1 구조적 및 속성 인식 매핑을 통해 거래 서브그래프를 모델링하면 이더리움의 피싱 계정 탐지 성능이 향상되는가?
• RQ2 거래 서브그래프의 방향성 및 시간적 속성이 그래프 기반 피싱 탐지 모델의 성능에 어떤 영향을 미치는가?
• RQ3 TSGN 변종은 대규모 네트워크에서 중요한 거래 흐름 패턴을 유지하면서 시간 복잡도를 얼마나 감소시키는가?
• RQ4 TSGN을 표현 학습 방법(예: Diffpool)과 통합하면 원시 거래 네트워크 대비 분류 정확도가 얼마나 향상되는가?
• RQ5 Multiple-TSGN은 다중 엣지 간 복잡한 상호작용 패턴을 효과적으로 포착하여 다중 거래 시나리오에서 탐지 성능을 향상시키는가?

주요 결과

• TSGN 모델은 다양한 데이터셋 평균에서 기준 모델인 TN 대비 16.03%의 상대적 성능 향상을 달성한다.
• Directed-TSGN 변종이 가장 높은 정확도 향상을 보였으며, Diffpool과 조합했을 때 EtherG1 데이터셋에서 %Increase 지표로 14.58% 향상되었다.
• Temporal-TSGN은 시간 제약 조건을 통해 비의미적인 엣지를 효과적으로 걸러내어 더 깔끔하고 해석 가능한 거래 흐름 구조를 제공한다.
• Multiple-TSGN은 Diffpool을 포함한 모든 기준 모델을 초월하며, 데이터셋 전반에서 %Increase (TN)가 2.13%에서 16.03%까지 변동한다.
• t-SNE 시각화 결과 TSGN 기반 특징이 임베딩 공간에서 더 잘 분리된 클러스터를 형성함을 확인하여, 더 뛰어난 분류 능력을 보임을 입증한다.
• 제안된 TSGN 프레임워크는 원시 네트워크 모델링 대비 시간 복잡도를 감소시키면서도 높은 성능(예: EtherG3와 EtherG4에서 각각 95.86% 및 96.71% F1-스코어)을 유지한다.