[论文解读] 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 8

一句话总结

本文提出TSGN（事务子图网络）框架，通过建模具有方向性、时间戳和属性编码的事务子图，提升以太坊中的网络钓鱼检测性能。通过将原始事务网络转化为结构化的TSGN（如Directed-TSGN、Temporal-TSGN和Multiple-TSGN），该方法增强了图表示学习，相较于基线模型，检测性能最高提升16.03%。

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.

研究动机与目标

• 解决现有网络钓鱼检测方法仅依赖原始事务网络、忽略隐藏的结构与时间模式的局限性。
• 开发一种基于子图的网络表示模型，捕捉以太坊事务的拓扑结构、方向性与时间特征。
• 通过整合来自事务子图的更丰富结构与属性信息，提升基于图的分类模型在识别恶意账户方面的性能。
• 在保持大规模区块链网络中关键事务流模式的同时，降低时间复杂度。

提出的方法

• 从以太坊事务图中提取以目标账户为中心的事务子图，聚焦于局部交互模式。
• 设计多种映射机制，将子图转换为TSGN，编码方向性、时间戳与事务属性。
• 引入Directed-TSGN以建模资金流动方向，Temporal-TSGN以整合时间有序的事务序列，Multiple-TSGN用于多边事务网络。
• 在TSGN上应用图神经网络（如Diffpool）以学习增强的节点与图表示，用于分类。
• 使用t-SNE可视化验证TSGN增强的特征可提升嵌入空间中的类别可分性。
• 使用标准指标在真实以太坊数据集上评估性能，将TSGN变体与基线模型（如TN和Diffpool）进行比较。

实验结果

研究问题

• RQ1 通过结构与属性感知的映射建模事务子图，能否提升以太坊中网络钓鱼账户的检测性能？
• RQ2 事务子图中的方向性与时间属性如何影响基于图的网络钓鱼检测模型的性能？
• RQ3 TSGN变体在多大程度上降低了时间复杂度，同时保留大规模网络中的关键事务流模式？
• RQ4 将TSGN与表示学习方法（如Diffpool）结合，相较于原始事务网络，能否显著提升分类准确率？
• RQ5 Multiple-TSGN能否有效捕捉跨多条边的复杂交互模式，并在多事务场景中提升检测性能？

主要发现

• TSGN模型在所有数据集上的平均检测性能相较于基线TN模型提升16.03%。
• Directed-TSGN变体在结合Diffpool时提升最显著，在EtherG1数据集上%Increase指标提升达14.58%。
• Temporal-TSGN通过时间约束有效过滤非显著边，形成更清晰、更可解释的事务流结构。
• Multiple-TSGN优于所有基线模型（包括Diffpool），在各数据集上的%Increase（TN）范围为2.13%至16.03%。
• t-SNE可视化证实，TSGN增强的特征可使嵌入空间中的聚类更清晰分离，表明判别能力显著提升。
• 所提出的TSGN框架在保持高性能的同时（如在EtherG3和EtherG4上F1-score分别达95.86%与96.71%），相比原始网络建模显著降低了时间复杂度。