网络分析

网络科学是对复杂网络的研究。 它提供了理论,技术和工具以帮助我们了解区块链网络的结构和演变。

我们使用网络构建,网络采样和网络嵌入等方法来分析区块链交易网络。

网络构建

网络构建把原始的交易记录抽象为本文的研究对象——复杂信息网络。基于以太坊数据的网络分析与传统的网络分析有着明显的不同。金融交易网络中的交易时间和金额是交易网络中的两个重要属性,将交易数据简单地建构为一个复杂网络将损失大量的有用信息。所以未来在以太坊交易数据分析的建模选择上需要考虑更多的信息,如有向网络、加权网络、时间/动态网络等。

时序加权多重有向网络构建方法

介绍

为了方便研究,我们将一个以太币转移的交易记录抽象为一个四元组,表示发送方于时刻向接收方转移了个以太币。为了尽可能地保留交易信息,我们将以太坊交易数据构建为一个自定义的网络模型——时序加权多重有向网络(Temporal Weighted Multidigraph, TWMDG),简称为时序加权网络。
TWDMG不是简单网络而是多重网络,由于存在平行边,因此TWMDG不再把边定义为节点对,而是包含了边的时间和权重信息的,可以唯一标识多重网络中的一条边。我们将收集到了交易四元组构建出一个时序加权多重有向网络,网络中的每个节点表示一个以太坊账户,每条边表示一个唯一的以太币转移交易。

如果你想引用这篇文章,请使用以下参考:

@article{ lin2020modeling,
  title={Modeling and Understanding Ethereum Transaction Records via A Complex Network Approach},
  author={Dan Lin, Jiajing Wu, Qi Yuan, Zibin Zheng},
  journal={IEEE Transactions on Circuits and Systems--II: Express Briefs },
  year={2020},
  month={to be published},
  publisher={IEEE},
  doi={10.1109/TCSII.2020.2968376}
}

网络嵌入

网络嵌入向量是网络的一种有效表示,是连接原始网络与网络应用任务的桥梁与媒介。直观上看,原始网络中相似的节点在嵌入的低维空间也应该具有相似的节点向量。网络嵌入的作用在于挖掘交易网络中节点的隐式的特征,降低交易数据维度,将大规模的交易网络投入到基于特征向量的广泛应用场景。

随机游走网络嵌入方法

介绍

随机游走算法可以得到网络中节点与节点之间的关联性,两个具有类似拓扑结构的节点,往往体现着相似的功能。在定义的新型网络(TWMDG) 中,我们考虑到网络中边的时序性和多重性,重定义了时序游走,再结合边的时间和权重信息,提出时序加权多重网络嵌入算法,在交易网络中的随机游走序列要考虑时间和权重。算法的目标是学习到具有更丰富意义的节点表示向量并捕捉交易网络的时间属性和资金走向趋势。

如果你想引用这篇文章,请使用以下参考:

@article{ lin2020modeling,
  title={Modeling and Understanding Ethereum Transaction Records via A Complex Network Approach},
  author={Dan Lin, Jiajing Wu, Qi Yuan, Zibin Zheng},
  journal={IEEE Transactions on Circuits and Systems--II: Express Briefs },
  year={2020},
  month={to be published},
  publisher={IEEE},
  doi={10.1109/TCSII.2020.2968376}
}

时序链路预测

以太坊交易网络上的时序链路预测

介绍

链接预测的任务旨在根据观察到的信息预测给定图中链接的出现。 在时间链接预测问题中,与静态链接预测不同,静态链接预测中的链接没有时间戳,我们使用过去的现有链接(具有较小的时间戳)作为训练数据来预测将来链接的出现(具有较大的时间戳)。

如果你想引用这篇文章,请使用以下参考:

@article{ lin2020modeling,
  title={Modeling and Understanding Ethereum Transaction Records via A Complex Network Approach},
  author={Dan Lin, Jiajing Wu, Qi Yuan, Zibin Zheng},
  journal={IEEE Transactions on Circuits and Systems--II: Express Briefs },
  year={2020},
  month={to be published},
  publisher={IEEE},
  doi={10.1109/TCSII.2020.2968376}
}

以太坊交易网络分析

通过一种复杂网络方法进行以太坊交易网络分析

介绍

我们将以太坊交易网络建模为网络构建中引入的时间加权多重图(TWMDG)。 在TWMDG中,我们通过结合边缘的时间和加权信息来定义时间加权多图嵌入(T-EDGE)问题,目的是捕获动态交易网络的更全面的属性。

为了评估所提出的嵌入方法的有效性,我们对从以太坊收集的真实交易数据进行了预测任务的实验,包括时间链接预测和节点分类。 实验结果表明,T-EDGE的性能优于基线嵌入方法,这表明与时间相关的步行和边缘的多重性特征对于时间敏感的交易网络是有益的,也是必不可少的。

如果你想引用这篇文章,请使用以下参考:

@article{ lin2020modeling,
  title={Modeling and Understanding Ethereum Transaction Records via A Complex Network Approach},
  author={Dan Lin, Jiajing Wu, Qi Yuan, Zibin Zheng},
  journal={IEEE Transactions on Circuits and Systems--II: Express Briefs },
  year={2020},
  month={to be published},
  publisher={IEEE},
  doi={10.1109/TCSII.2020.2968376}
}

混合服务检测

最初旨在增强交易匿名性的比特币混合服务已被广泛用于洗钱以使尾随的非法资金复杂化。 该子项目的目标是通过采矿交易网络为混合服务所属的地址建立标识。

基于网络模体的混币服务检测

介绍

在本文中,我们主要研究比特币混币服务检测,这是比特币反洗钱的一项重要任务。具体而言,我们提供了一个基于特征的网络分析框架,从三个层次提取特征(网络特征、账户特征、交易特征)来识别混币服务。为了更好地刻画不同地址的交易模式,我们提出了带属性的时序异质模体(ATH模体)。在真实比特币数据集上的实验证明了我们检测模型的有效性和混合模体(包含时序模体和ATH模体)在混币服务检测中的重要性。

如果你想引用这篇文章,请使用以下参考:

@article{DBLP:journals/corr/abs-2001-05233,
  author    = {Jiajing Wu and
               Jieli Liu and
               Weili Chen and
               Huawei Huang and
               Zibin Zheng and
               Yan Zhang},
  title     = {Detecting Mixing Services via Mining Bitcoin Transaction Network with
               Hybrid Motifs},
  journal   = {CoRR},
  volume    = {abs/2001.05233},
  year      = {2020},
  url       = {https://arxiv.org/abs/2001.05233},
  archivePrefix = {arXiv},
  eprint    = {2001.05233},
  timestamp = {Fri, 17 Jan 2020 14:07:30 +0100},
  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-2001-05233},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

钓鱼欺诈检测

网络钓鱼诈骗在基于区块链技术的以太币交易网络中造成了巨额损失,本项目的目标是基于图卷积网络和自编码技术为以太坊上的交易网络建立钓鱼诈骗账户的识别模型。

基于以太坊交易网络的钓鱼欺诈检测

介绍

区块链技术吸引了越来越多的研究,如今其在许多领域都有相关应用和实现。加密货币作为区块链技术最著名的落地技术之一,一直遭受网络钓鱼诈骗的攻击,从而造成了大量账户的经济损失。在本文工作中,我们将以太坊交易网络中的钓鱼诈骗账户检测建模成结点检测模型,应用了图卷积网络和自编码技术以更准确的识别钓鱼诈骗账户。基于以太坊的真实数据,实验证明了本文所提出模型的有效性。

如果你想引用这篇文章,请使用以下参考:

@inproceedings {
author ={Chen, Liang and Peng, Jiaying and Liu, Yang and Li, Jintang and Xie, Fenfang and Zheng, Zibin},
title = {{XBLOCK Datasets}: {InPlusLab} Phishing Scams Detection in Ethereum Transaction Network},
jouranl={Transactions on Internet Technology, submitted},
year={2019}
}