基于异构图变换器（HGT）的以太坊钓鱼账户检测模型PDHG及其可解释性研究

本文提出了一种基于异构图变换器（Heterogeneous Graph Transformer, HGT）的以太坊钓鱼账户检测框架PDHG，通过构建包含账户、交易所和代币合约的多类型节点异构图，有效捕捉交易网络中的异构信息与动态行为模式。该方法融合自注意力机制与可解释模块（PDHGexplainer），在检测性能（AUC=96.04%）与可解释性方面显著优于现有模型，为区块链金融风控提供了新思路。

　　

Highlight

本研究首次将自注意力异构图变换器（Heterogeneous Graph Transformer, HGT）与解释器集成应用于以太坊区块链钓鱼检测。创新性体现在：

• •
  提出PDHG框架，通过构建包含账户、交易所、代币合约的异构交易网络，融合节点嵌入、边嵌入与属性嵌入，全面捕捉交易结构与行为模式；
• •
  设计PDHGexplainer解释器，结合特征掩码与邻域掩码，提供局部特征贡献与全局拓扑关联的双重视角解释；
• •
  在三个真实以太坊钓鱼数据集上验证，PDHG以96.04%的AUC与89.87%的召回率超越现有最优方法，证实异构参数化与时序建模对钓鱼账户识别的关键作用。

Problem Statement

定义以太坊交易网络为异构图G=(V,E)，其中节点v属于特定类型t(v)（如账户、交易所、合约）。钓鱼检测任务转化为该异构图的节点二分类问题：钓鱼账户 vs. 合法账户。

Overview of PDHG

PDHG框架包含五大模块：交易图构建、子图采样、特征工程、检测器与解释器。首先从以太坊交易数据构建以账户为节点、交易为边的异构图，随后通过时序采样提取动态子图，融合账户属性、交易模式与拓扑特征。检测器采用HGT模型，通过元关系感知的自注意力机制聚合多类型邻居信息，无需人工设计元路径。解释器PDHGexplainer通过可学习的掩码机制生成可视化证据，支持监管决策。

Experimental Evaluation

实验验证PDHG在以太坊钓鱼账户检测中的有效性。相比传统机器学习（如基于统计特征的方法）与图表示学习模型（如RGCN、GCN），PDHG在准确性、效率与可解释性方面均展现显著优势。异构建模与时序信息整合被证实为提升性能的核心因素。

Detection of Ethereum Phishing Scams

现有检测方法可分为两类：

1. 1.
   浅层模型：依赖特征工程与统计特征（如度中心性、交易频次），但忽略拓扑复杂性；
2. 2.
   深度学习模型：包括端到端图神经网络（如GCN、RGCN）与随机游走方法，虽能自动提取特征，但面临标注困难、可解释性差与异构信息利用不足的挑战。

Conclusion

PDHG通过异构图构建与自注意力HGT模型，实现了高效且可解释的以太坊钓鱼账户检测。其集成解释框架为区块链风控提供了透明决策支持，未来可扩展至多链欺诈检测场景。