RiskProp: Account Risk Rating on Ethereum via De-anonymous Score and Network Propagation
作为支持智能合约的最受欢迎的区块链平台之一，以太坊引起了投资者和犯罪分子的兴趣。与传统的金融场景不同，由于区块链的匿名性，在以太坊上执行“了解你的客户”验证相当困难。幸运的是，由于存储在以太坊区块链中的交易记录是公开的，我们可以通过交易挖掘来了解账户的行为或检测非法活动。现有的风险控制技术主要从去匿名化地址聚类和非法账户分类的角度发展。然而，这些技术不能用于确定所有账户的潜在风险，并且受到特定启发式策略或标签信息不足的限制。这些限制促使我们寻求一种有效的评级方法来量化交易网络中的风险扩散。据我们所知，我们是第一个通过提出一个名为RiskProp的新模型来解决以太坊账户风险评级问题的人，该模型包括一个去匿名分数来衡量交易匿名性和一个网络传播机制来制定账户和交易之间的关系。我们通过在以太坊的真实数据集上进行实验，证明了RiskProp在克服现有模型局限性方面的有效性。通过对检测出的高风险账户的案例分析，证明了RiskProp的风险评估可以为投资者提供预警，保护投资者免受可能的财务损失，基于风险评分的账户分类实验的优越性能进一步验证了本文评级方法的有效性。
2023-01-01 cs.SI
Evolution of Ethereum: A Temporal Graph Perspective
以太坊是最受欢迎的区块链系统之一，每天支持超过50万笔交易，并通过其图灵完备的智能合约机促进各种分散的应用程序。然而，以太坊的交易模式是什么以及它如何随着时间的推移而演变仍然是个谜。在本文中，我们从时间图的角度研究了以太坊交易的演化行为。我们首先开发一个数据分析平台，收集与用户相关的外部交易以及由智能合约发起的内部交易。根据交易关系构造了用户-用户、合同-合同和用户-合同三种时态图，并利用适当的时间窗口进行分割。我们观察到用户对用户交易图的大小与时间窗口中的平均以太币价格之间存在很强的相关性，而在平均度，平均边权重和平均三重闭合持续时间方面没有证据表明这种联系。验证了以太坊交易的宏观和微观突发性。我们分析了交易图和用户财富的基尼指数，发现以太坊从一开始就非常不公平，从某种意义上说，“富人已经很富有了”。
2020-01-15 cs.CR cs.SI
Facilitating Feature and Topology Lightweighting: An Ethereum Transaction Graph Compression Method for Malicious Account Detection
本文提出以太坊交易图压缩方法TGC4Eth，通过特征选择和图拓扑聚焦粗化实现轻量化，在保持图连通性的同时提升恶意账户检测效率与抗特征规避攻击鲁棒性。
2024-07-02 cs.CR cs.SI
Detecting Bot Activity in the Ethereum Blockchain Network
以太坊区块链网络是一个去中心化的平台，可以执行智能合约和交易以太币（ETH）[1]，它是指定的加密货币。以太坊是第二大最受欢迎的加密货币，市值超过1000亿美元，每天由数十万个独特的钱包执行数十万笔交易。每天都有数万个新的钱包产生。以太坊平台允许任何人免费打开多个新钱包[2]（导致大量钱包由相同的实体控制）。这个属性使以太坊网络成为软件机器人（机器人）活动的繁殖空间。机器人的存在广泛存在于不同的数字技术中，并且有各种方法来检测它们的活动，例如规则库，聚类，机器学习等[3，4]。在这项工作中，我们演示了如何使用网络理论方法来实现机器人检测。
2018-10-03 cs.SI
ERC20 Transactions over Ethereum Blockchain: Network Analysis and Predictions
继十年前比特币的诞生和以太坊ERC20协议的引入之后，近年来，研究人员、私营部门公司和非政府组织推出了越来越多的加密令牌。这种基于区块链的加密货币无处不在，催生了一种新的新兴经济，这给使用传统语义属性对其动态建模带来了很大困难。我们的工作提出了使用网络理论棱镜的ERC20协议兼容的加密货币的交易数据的动力学特性的分析。我们通过分析网络的一个元参数，即度分布的幂，来研究基于ERC20的网络随时间的动态变化。我们的分析表明，这个参数可以建模为一个欠阻尼谐振子随着时间的推移，使一年的网络参数预测。
2020-04-17 cs.SI physics.soc-ph
Ethereum Fraud Detection with Heterogeneous Graph Neural Networks
The University of Tokyo（东京大学）；National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））
虽然使用以太坊等加密货币的交易越来越普遍，但欺诈和其他犯罪交易并不罕见。图分析算法和机器学习技术检测导致大型交易网络中网络钓鱼的可疑交易。已经提出了许多图神经网络（GNN）模型来将深度学习技术应用于图结构。虽然在以太坊交易网络中有使用GNN模型进行网络钓鱼检测的研究，但尚未研究解决顶点和边数量规模以及标签不平衡的模型。在本文中，我们比较了GNN模型在实际以太坊交易网络数据集和网络钓鱼报告标签数据上的模型性能，以详尽地比较和验证哪些GNN模型和超参数产生最佳准确性。具体来说，我们评估了代表性的同质GNN模型的模型性能，这些模型考虑了单一类型的节点和边缘，以及支持不同类型的节点和边缘的异构GNN模型。我们发现，异构模型有更好的模型性能比同质模型。特别是，RGCN模型在整体指标中取得了最佳性能。
2022-07-04 cs.CR cs.LG cs.SI
Know Your Account: Double Graph Inference-based Account De-anonymization on Ethereum
针对区块链生态非法行为猖獗的问题，提出基于双图的以太坊账户去匿名化方法DBG4ETH，结合全局静态与局部动态图特征及自适应置信度校准，在账户识别任务上取得最优性能。
2025-01-14 cs.SI
Dissecting Ethereum Blockchain Analytics: What We Learn from Topology and Geometry of Ethereum Graph
Purdue University（普渡大学）；Bowling Green State University（鲍灵格林州立大学）；University of Manitoba（曼尼托巴大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
区块链技术，特别是基于区块链的加密货币，为我们提供了金融界从未见过的信息。与法定货币相比，加密货币和加密代币的所有交易都永久记录在分布式账本上，并且是公开的。因此，这使我们能够构建一个交易图，不仅可以评估其组织，还可以收集交易图属性与加密价格动态之间的关系。本文的最终目标是帮助我们理解从以太坊交易网络的局部拓扑和几何结构中可以学到的加密令牌的范围和局限性，甚至全球网络属性仍然很少探索。通过将基于拓扑数据分析和功能数据深度的新工具引入区块链数据分析，我们表明以太坊网络（创建新加密代币的最受欢迎的区块链之一）可以提供有关加密代币价格罢工的关键见解，否则传统数据源和传统分析方法在很大程度上无法访问。
2019-12-20 cs.LG cs.SI q-fin.ST
Transaction Fees on a Honeymoon: Ethereum's EIP-1559 One Month Later
以太坊改进提案（EIP）1559最近实施，以改变以太坊的交易费用市场。EIP-1559利用具有恒定学习率的算法更新规则来估计基本费用。基本费用反映了当前的网络状况，因此为当前天然气价格提供了更可靠的预测。使用其推出后的链上数据，我们评估了EIP-1559对用户体验和市场表现的影响。我们的实证研究结果表明，虽然EIP-1559平均达到了目标，但短期行为的特点是块大小的剧烈混沌振荡（正如我们最近的理论动力系统分析[1]所预测的那样）和需求爆发期间的缓慢调整（例如，NFT滴）。这两种现象都会导致挖矿奖励中不必要的区块间差异。为了解决这个问题，我们提出了一种替代的基本费用调整规则，其中学习率根据加法增加，乘法减少（AIMD）更新计划而变化。我们的模拟表明，后者鲁棒性优于EIP-1559协议在各种需求的情况下。这些结果提供的证据表明，可变学习率机制可能构成一个有前途的替代默认EIP-1559为基础的格式，并有助于正在进行的讨论更有效的交易费市场的设计。
2022-04-18 cs.GT cs.MA cs.SI
Leveraging Ensemble-Based Semi-Supervised Learning for Illicit Account Detection in Ethereum DeFi Transactions
Department of Electrical Engineering（电气工程系）；Sharif University of Technology（谢里夫理工大学）；Department of Computer Engineering（计算机工程系）
本文提出SLEID框架，通过孤立森林模型和自训练机制提升非法账户检测精度，实验显示其在精度、F1值和AUC指标上均优于传统方法，尤其在少数类检测上表现突出。
2026-05-02 cs.LG cs.SI q-fin.GN
Scam Detection for Ethereum Smart Contracts: Leveraging Graph Representation Learning for Secure Blockchain
针对以太坊智能合约攻击频发、现有反欺诈检测技术存在不足的问题，提出将交易数据转为图结构、用图表示学习检测诈骗合约，经SMOTE-ENN处理不平衡样本后测试发现MLP效果优于GCN，为以太坊生态安全提供新可能。
2025-03-19 cs.AI cs.CR cs.DC
The rich still get richer: Empirical comparison of preferential attachment via linking statistics in Bitcoin and Ethereum
比特币和以太坊交易是公开可供研究的最大的现实世界复杂网络之一，包括其时间演化的详细图像。因此，除了从经济学或密码学角度进行分析之外，它们还受到了网络科学界的大量关注。在这些研究中，在对比特币网络早期实例的分析中，我们已经表明了偏好依恋的明显存在，或者说“富-更富”现象。现在，我们重新审视这个问题，使用最新版本的比特币网络，自我们最初的分析以来，它已经增长了近100倍。此外，我们还与第二大加密货币以太坊进行了比较。我们的研究结果表明，优先连接仍然是比特币和以太坊交易网络演变的关键因素。为了便于进一步分析，我们发布了两个交易网络的最新版本，以及一个高效的软件实现，该软件实现能够评估学习具有数亿条边的网络上的偏好连接所需的链接统计数据。
2021-02-24 cs.SI physics.soc-ph
Understanding Money Trails of Suspicious Activities in a cryptocurrency-based Blockchain
去中心化、冗余和伪匿名特性使得无权限公共区块链平台成为加密货币技术平台的吸引力。然而，这种采用使网络犯罪分子能够利用区块链平台中的漏洞，并通过社会工程瞄准用户进行恶意活动。大多数用于检测恶意行为者的最先进技术都依赖于单个钱包地址的交易行为，但不分析资金轨迹。我们提出了一种基于经验的方法，该方法添加了与资金追踪相关的新功能，以分析和发现加密货币区块链中的可疑活动。在这里，我们只关注循环行为，并识别区块链中时间交易图中存在的隐藏模式。我们在以太坊区块链的交易数据上展示了我们的方法。我们发现恶意活动（如赌博、网络钓鱼和洗钱）在以太坊中有不同的循环模式。我们还在以太坊中发现了两个可疑的基于时间循环路径的传输。我们的技术可能适用于其他加密货币区块链，并根据正在调查的加密货币的性质进行适当的修改。
2021-08-26 cs.CR cs.SI
Towards Understanding Crypto Money Laundering in Web3 Through the Lenses of Ethereum Heists
本文通过以太坊劫案视角，基于少量已标记犯罪账户和启发式交易追踪方法挖掘未标记洗钱团伙，系统揭示了Web3中加密货币洗钱的行为特征、经济影响及伪造代币等升级手段，并为反洗钱提供启示。
2023-05-24 cs.CR cs.SI
EX-Graph: A Pioneering Dataset Bridging Ethereum and X
National University of Singapore（新加坡国立大学）
EX-Graph是首个连接以太坊与X的大规模数据集，结合交易与关注数据，通过实验证明X数据能显著增强以太坊分析。
2024-03-17 cs.AI cs.SI
