由于區(qū)塊鏈匿名性的特點,以太坊逐漸成為惡意賬戶利用漏洞攻擊、網(wǎng)絡釣魚等手段實施欺詐的平臺。針對上述問題,文章提出了一種基于Light GBM的以太坊惡意賬戶檢測方法。首先通過收集并標注8028個以太坊賬戶,基于交易歷史規(guī)律提取手工特征;然后使用自動特征構(gòu)造工具featuretools提取統(tǒng)計特征;最后通過融合的兩類特征訓練Light GBM分類器完成以太坊惡意賬戶檢測。實驗結(jié)果表明,文章提出方法的F1值為94.9%,相較于SVM、KNN等方法更加高效準確,引入手工特征有效提升了惡意賬戶的檢測性能。 

【文章來源】：信息網(wǎng)絡安全. 2020,20(04)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

技術(shù)路線圖

在評估指標的基礎(chǔ)上，為驗證Light GBM模型在以太坊惡意賬戶檢測任務中的有效性，實驗將融合特征f作為模型輸入，采用10倍交叉驗證，對比K最近鄰（K-Nearest Neighbor,KNN）、邏輯回歸（Logistic Regression,LR）、支持向量機（Support Vector Machine,SVM）、隨機森林（Random Forest,RF）、自適應提升（Adaptive Boosting,Ada Boost）和Light GBM等6種不同模型的分類性能。模型對比實驗結(jié)果如表3和圖2所示。分析實驗結(jié)果可知，Light GBM模型在實驗中F1值達到94.9%，取得了良好的分類效果，相比KNN、RF和Ada Boost模型的F1值分別提升了4.5%、2.7%和2.2%。以決策樹為基礎(chǔ)的模型，在本次分類任務中均取得了較好的效果，實驗F1值均達到92%。

特征重要度


本文編號：3400672