区块链研究

最新推荐文章于 2023-08-10 01:10:58 发布
最新推荐文章于 2023-08-10 01:10:58 发布
阅读量603 收藏 5
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/monteCarloStyle/article/details/116117996
版权

文章目录

资金追溯

区块链数字货币资金流追溯研究

简介

  • 作者：蔡霖翔
  • 单位：中国人民公安大学
  • 期刊/会议：中国人民公安大学硕士论文
  • 年份：2019

内容

  1. 文章对比特币的支撑技术进行了详细介绍
  2. 根据比特币交易特征，设计了追踪和追溯算法。在追踪过程中，根据交易的UTXO是否引用于后续交易来判断两笔交易是否使用了同一笔资金。文章提出的追溯算法的思想是向上溯源，保留所有的交易轨迹，停止条件有两个，一是到达提前设置的最大追溯层数，二是当前交易属于铸币交易。
  3. 文章根据交易行为范式设计了跳板地址/资金拆分交易集的特征，利用匹配的方式匹配出资金拆分交易，使用PageRank算法从参与拆分交易的地址中提取出锚地址。文章提到的锚地址是指资金流路径中持有大部分资金/节点度较高/交易频繁的账户地址。

值得关注的内容

  • 文章对跳板地址进行了特征定义：
  1. 账户存留余额等于0或约等于0;
  2. 相对于资金流路径上的其他地址活跃度较低，参与交易少;
  3. 账户的入度与出度近似。

值得注意的是，以上特征不仅会匹配到非法交易中的跳板地址，还会匹配到不活跃地址/充值地址等

  • 文章设计的资金拆分交易特征：
  1. 路线上存在着多个出入度一致的跳板地址;
  2. 多笔资金通过多输入交易转化为一笔资金，输出至同一个账户;
  3. 路径中分拆出的金额相近;
  4. 输出账户节点的度大于资金流路线上的其他账户地址。

总结

文章的研究对象是比特币，相比采用账户模式的以太坊，采用UTXO的比特币更容易溯源。在不采用UTXO模式的币种上进行研究时，需要思考采用何种方式可以准确得到资金流路径。文章的关键地址挖掘部分值得关注和思考。

异常检测

2018-Detecting Ponzi Schemes on Ethereum: Towards Healthier Blockchain Technology

简介

  • 作者：Weili Chen
  • 单位：Sun Yat-sen
  • 期刊/会议：International World Wide Web Conference Committe
  • 年份：2018

内容

  • 目的：在Etherscan.io的数据中发现传销/庞氏骗局智能合约
  • 数据集：Etherscan.io，论文中开源标记数据，实时数据可以通过API获取
  • 数据处理：Etherscan.io中获取Normal transactions、Fired transactions作为Account features，Source code（仅仅利用bytecode）经过Compile和Disassemble后作为Code features
  • 方法：在特征上应用传统分类法

总结

文章利用账户特征和代码特征构建了回归树模型，具有较高的庞氏合约识别准确性，可以在任何公开访问代码的合约中使用，泛用性好。但文章似乎没有提供源代码，对bytecode的处理细节也没有详细说明。

文章提到的其他信息

  • 值得关注：2017-Dissecting Ponzi schemes on Ethereum: Identification, analysis, and impact. arXiv：1703.03779
  • 一个可以追踪当前以太坊诈骗，根据用户上报的数据合并后公开：
    EtherScamDB

2020-Who Are the Phishers? Phishing Scam Detection on Ethereum via Network Embedding

简介

  • 作者： Jiajing Wu, Qi Yuan, Dan Lin, Wei You, Weili Chen
  • 单位：Sun Yat-sen
  • 年份 2020
  • 期刊/会议
  • 摘要：文章提出一种考虑交易金额和时间戳的新网络嵌入方法，用来识别钓鱼账户识别。实验结果证明了方法的有效性。

内容

  • 介绍区块链网数据的挑战：
    1. 极端的数据不平衡
    2. 网络异质性——大部分结点有极少交易量
    3. 特征构建、抽取困难
  • 目标：检测某个地址是否涉嫌钓鱼
  • 数据处理：
  1. 从区块中获取交易记录和标记数据（2019.5.10之前，EtherScamDB和etherscan.io共同标记为phishing的数据）
  2. 以交易地址为结点，交易关系为边，构建网络；
  3. 两个结点的每条边记录了总的转账金额和它们的最后一笔交易时间戳。
  • One-class SVM 作为分类器

总结

  • 文章基于交易的时间和金额构建随机游走策略，执行随机游走策略生成路径，利用路径训练Skip-gram模型，得到结点的嵌入，最后使用One-class SVM做分类，取得了优异的识别效果。数据集公开，但是没有提供代码。
  • 本文的重点是采用自构建的随机游走方式对网络采样。但没有说明文章中的随机游走是否考虑交易的方向性。
  • 文章似乎将两个地址之间发生的总金额作为基于金额的随机游走概率计算标准，没有考虑每一笔交易的金额和时间。

2020-Modeling and Understanding Ethereum Transaction Records via a Complex Network Approach

简介

  • 作者： Jiajing Wu, Dan Lin, Qi Yuan, Zibin Zheng
  • 单位：Sun Yat-sen
  • 年份 2020
  • 期刊/会议
  • 摘要：文章提出一种考虑交易金额和时间戳的新网络嵌入方法，文章将节点之间多次交易建模多个边，在非递减序列上执行随机游走，然后对该网络中的节点进行未来交易预测。

内容

  • 将节点(账户)之间的多次交易形成多边
  • 在非递减的时间域中计算游走概率
  • 时间越近，金额越大的交易，游走概率就越大
  • 形成多个路径后，通过Skip-gram形成transaction嵌入

总结

  • 该文章提供了一种较为有效的网络嵌入方法，可以为分类/预测等下游任务提供数据预处理支撑。
  • 该嵌入方法的一些特点：
  1. 基于时间的游走策略，相较随机游走更加有效
  2. 需要更大的嵌入维度d
  3. 基于时间的游走对游走距离参数并不敏感
monteCarloStyle
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
区块链数据集（一）Xblock
weixin_45311418的博客
05-13 1119
记录一下对XBlock中数据集的探索
对network embedding的理解
liuyangxiaolu的博客
08-27 1708
Network Embedding：网络嵌入方法 旨在学习网络中节点的低维度潜在表示，所习得的特征表示可以用作基于图的各种任务的特征(如：分类、类聚、链路预测和可视化) Network Embedding的介绍 在整个网络上执行复杂推理过程非常困难，由于信息网络包含数十亿个节点和边缘，故提出：网络嵌入方法。 NE的中心思想：找到一种映射函数，该函数将网络中的...
《Who Are the Phishers? Phishing Scam Detection on Ethereum via Network Embedding》论文翻译与分析
resdust的博客
06-29 1583
Wu J, Yuan Q, Lin D, et al. Who Are the Phishers? Phishing Scam Detection on Ethereum via Network Embedding[J]. arXiv preprint arXiv:1911.09259, 2019. 摘要 区块链上的钓鱼骗局可以赚取可观的金钱，从而成为对区块链生态系统交易安全的严重威胁。为了营造良好的投资环境，区块链生态系统迫切需要一种有效的钓鱼诈骗检测方法。为此，本文提出了一种通过挖掘以太交易记录来检.
2023安全与软工顶会/刊中区块链智能合约相关论文
SYSU_Zhiyuan
08-10 4268
主要整理了2023年四大安全顶会、四大软工顶会和两个软工顶刊中，有关区块链智能合约的相关论文。 搜集包含有： 软工顶会：ISSTA、FSE、ASE、ICSE 软工顶刊：TOSEM、TSE 安全顶会：S&P、USENIX Security、CCS、NDSS
网络嵌入（network embedding）（SDNE相关）
weixin_43718641的博客
03-23 4191
网络表征学习 定义 在现实世界中，相比图片等简单的网格结构，图结构是更泛化的数据结构，比如一般的社交网络、互联网等，都是由图这种数据结构表示的，图的节点表示单个用户，图的边表示用户之间的互联关系。针对网络结构，用向量的数据形式表示网络结构、节点属性的机器学习方法就是网络表征学习。 学习的目的 第一，我们要学习一种低维度的向量表示网络节点，将节点映射到相应的向量空间，这种网络表征学习就是关于图结构的网络表征学习，也称网络嵌入； 第二，我们的表示不仅仅可以表征网络结构，同时也可以表征节点本身自带的属性，这种表征
Network Embedding中方法回顾
qq_41067092的博客
09-07 456
网络嵌入方法（Network Embedding）旨在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类，链路预测和可视化。 传统意义上的 Graph Embedding 被看成是一个降维的过程，而主要的方法包括主成分分析（PCA）和多维缩放（MDS）。所有的方法都可以理解成运用一个 n × k 的矩阵来表示原始的 n × m 矩阵，其中 k << n。 在 2000 年代早期，又提出了其他方法，如 IsoMap 和 LLE，以保持非线性流形的整
区块链研究报告
09-15
毕马威区块链研究报告 作者介绍 Sigrid Seibold George Samman 张峻铭 合伙人，金融科技创新 张峻铭先生有25年银行业咨询经验。在 核心银行、企业转型、业务流程重组和 信用风险管理方面具有丰富的业务和技 术专长。...
36Kr-区块链研究报告
03-29
36Kr-区块链研究报告,供大家阅读，这是目前国内最领先的区块链
区块链研究报告和颠覆思考-创荣资本.pdf
05-21
区块链介绍 ● 什么是区块链 ● 运行方式与特征 ● 应用场景 2. 区块链行业发展现状 ● 国际发展情况 ● 国内发展情况 ● 国内外代表性企业或组织 3. 区块链面临的障碍 ● 技术层面 ● 监管风险 4. 区块链发展的思考...
国泰君安区块链研究
03-15
国泰君安对区块链如何影响各行各业的研究，主要包括对游戏、版权方面等
Network Embedding
akufr2065的博客
09-28 144
网络表示 网络表示学习（DeepWalk，LINE，node2vec，SDNE） https://blog.csdn.net/u013527419/article/details/76017528 网络表示学习相关资料 https://blog.csdn.net/u013527419/article/details/74853633 NE(Netwo...
eth-phishing-detect:用于检测针对以太坊用户的网络钓鱼域的实用程序
07-23
Eth-phishing-检测 用于检测针对以太坊用户的网络钓鱼域的实用程序。 要检查给定域被阻止的原因，请尝试我们的交互式页面 阻止策略 我们正在不断发展指导此列表的理想政策，但已经出现了一些明确定义的规则。 我们将Swift果断地阻止以下网站： 冒充其他已知和已建立的网站。 使用他们的接口收集用户签名密钥（尤其是加密货币密钥）并将它们发送回家庭服务器。 还有其他阻止的理由，我们最终将尽最大努力保证用户的安全。 基本用法 const checkForPhishing = require ( 'eth-phishing-detect' ) const value = checkForPhishing ( 'etherclassicwallet.com' ) console . log ( value ) // true 高级用法 const PhishingDetector
network embedding综述
05-03
这也是一篇关于关于网络表述学习的综述，国外一篇很具代表性的survey，
关于Network embedding的一些笔记(内含数据集）
ZhichaoDuan的博客
03-15 7538
首先这也是我进入一个全新领域的第一步，本文有描述不准确的地方还望指正。Network embedding也就是将Graph中的node投影到低维度的向量空间中，再进行后续处理的计算。A Survey on Network Embedding 这篇论文对各种方法的优点和缺点都进行了详细的叙述。很多复杂的系统都是采用网络的形式，比如社交网络，生物网络，和信息网络。通常这些网络都很复杂，不容易处理，计算...
机器学习基础--网络嵌入方法（Network Embedding）
热门推荐
wydbyxr的博客
08-31 1万+
网络嵌入方法（Network Embedding） 　　旨在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类，链路预测和可视化。 　　由于信息网络可能包含数十亿个节点和边缘，因此在整个网络上执行复杂的推理过程可能会非常棘手。因此有人提出了用于解决该问题的一种方法是网络嵌入（Network Embedding）。NE 的中心思想就是找到一种映射函数...
【Graph Embedding/Network Embedding 图嵌入/网络表示学习】主要工作（Deepwalk/LINE/node2vec）总结
TsingM
05-21 3010
本文介绍了图嵌入/网络表示学习领域比较重要的三个工作DeepWalk/LINE/node2vec，重点在于它们的思路、算法以及其中关联。
网络嵌入（network embedding）
ninomiya_yj0617的博客
06-10 7769
Definition：图嵌入，又称网络嵌入，是网络表征学习的一种方法，旨在用低维、稠密的向量空间表示高维、稀疏的向量空间，所学习道德特征可以用于分类、回归、聚类等机器学习任务。 Remark: 稀疏指的是一个向量（空间）里面大部分元素都是0，只有少部分元素是非0的。 这里介绍一种特殊的网络嵌入算法，称为 Accelerated Attributed Network Embedding （AANE），加速属性网络嵌入，详细细节见：Xiao Huang, Jundong Li, Xia Hu, 《 Acc.
network embedding代码
qq_41786778的博客
12-11 393
https://github.com/chihming/awesome-network-embedding
2022.05-2021年中国区块链年度发展白皮书-赛迪区块链-142页.pdf
最新发布
09-15
2022.05-2021年中国区块链年度发展白皮书-赛迪区块链-142页.pdf

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值