發(fā)布時(shí)間：2021-09-19 00:52

　　由于區(qū)塊鏈匿名性的特點(diǎn),以太坊逐漸成為惡意賬戶利用漏洞攻擊、網(wǎng)絡(luò)釣魚(yú)等手段實(shí)施欺詐的平臺(tái)。針對(duì)上述問(wèn)題,文章提出了一種基于Light GBM的以太坊惡意賬戶檢測(cè)方法。首先通過(guò)收集并標(biāo)注8028個(gè)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(dòng)特征構(gòu)造工具featuretools提取統(tǒng)計(jì)特征;最后通過(guò)融合的兩類特征訓(xùn)練Light GBM分類器完成以太坊惡意賬戶檢測(cè)。實(shí)驗(yàn)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(zhǔn)確,引入手工特征有效提升了惡意賬戶的檢測(cè)性能。 

【文章來(lái)源】：信息網(wǎng)絡(luò)安全. 2020,20(04)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

技術(shù)路線圖

在評(píng)估指標(biāo)的基礎(chǔ)上，為驗(yàn)證Light GBM模型在以太坊惡意賬戶檢測(cè)任務(wù)中的有效性，實(shí)驗(yàn)將融合特征f作為模型輸入，采用10倍交叉驗(yàn)證，對(duì)比K最近鄰（K-Nearest Neighbor,KNN）、邏輯回歸（Logistic Regression,LR）、支持向量機(jī)（Support Vector Machine,SVM）、隨機(jī)森林（Random Forest,RF）、自適應(yīng)提升（Adaptive Boosting,Ada Boost）和Light GBM等6種不同模型的分類性能。模型對(duì)比實(shí)驗(yàn)結(jié)果如表3和圖2所示。分析實(shí)驗(yàn)結(jié)果可知，Light GBM模型在實(shí)驗(yàn)中F1值達(dá)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(shù)為基礎(chǔ)的模型，在本次分類任務(wù)中均取得了較好的效果，實(shí)驗(yàn)F1值均達(dá)到92%。

特征重要度


本文編號(hào)：3400672