ترجمه فارسی مقاله بهبود تشخیص کلاهبرداری اتریوم از طریق خودنظارتی مولد و مقابله‌ای

چکیده

The rampant fraudulent activities on Ethereum hinder the healthy development of the blockchain ecosystem, necessitating the reinforcement of regulations. However, multiple imbalances involving account interaction frequencies and interaction types in the Ethereum transaction environment pose significant challenges to data mining-based fraud detection research. To address this, we first propose the concept of meta-interactions to refine interaction behaviors in Ethereum, and based on this, we present a dual self-supervision enhanced Ethereum fraud detection framework, named Meta-IFD. This framework initially introduces a generative self-supervision mechanism to augment the interaction features of accounts, followed by a contrastive self-supervision mechanism to differentiate various behavior patterns, and ultimately characterizes the behavioral representations of accounts and mines potential fraud risks through multi-view interaction feature learning. Extensive experiments on real Ethereum datasets demonstrate the effectiveness and superiority of our framework in detecting common Ethereum fraud behaviors such as Ponzi schemes and phishing scams. Additionally, the generative module can effectively alleviate the interaction distribution imbalance in Ethereum data, while the contrastive module significantly enhances the framework’s ability to distinguish different behavior patterns. The source code will be released on GitHub soon.

چکیده به فارسی (ترجمه ماشینی)

فعالیت های کلاهبرداری شایع در اتریوم مانع از توسعه سالم اکوسیستم blockchain می شود و نیاز به تقویت مقررات دارد.با این حال ، عدم تعادل متعدد مربوط به فرکانس های تعامل حساب و انواع تعامل در محیط معامله اتریوم چالش های مهمی را برای تحقیقات تشخیص کلاهبرداری مبتنی بر داده ها ایجاد می کند.برای پرداختن به این موضوع ، ما ابتدا مفهوم تعامل متا را برای تصحیح رفتارهای تعامل در اتریوم پیشنهاد می کنیم و بر این اساس ، ما یک چارچوب تشخیص کلاهبرداری اتریوم با نام Meta-IFD را ارائه می دهیم.این چارچوب در ابتدا یک مکانیسم تولید کننده خودآزمایی را برای تقویت ویژگی های تعامل حساب ها معرفی می کند ، و به دنبال آن یک مکانیسم خودخواهانه متضاد برای تمایز الگوهای مختلف رفتاری ، و در نهایت نمایش های رفتاری از حساب ها و معادن خطرات احتمالی کلاهبرداری را از طریق تعامل چند منظره توصیف می کند.یادگیری ویژگی.آزمایش های گسترده در مورد مجموعه داده های Ethereum واقعی نشان دهنده اثربخشی و برتری چارچوب ما در تشخیص رفتارهای تقلب در اتریوم مشترک مانند طرح های پونزی و کلاهبرداری فیشینگ است.علاوه بر این ، ماژول تولیدی می تواند عدم تعادل توزیع تعامل در داده های اتریوم را به طور مؤثر کاهش دهد ، در حالی که ماژول متضاد به طور قابل توجهی توانایی چارچوب را در تشخیص الگوهای مختلف رفتاری افزایش می دهد.کد منبع به زودی در GitHub منتشر می شود.