针对基于机器学习的以太坊网络钓鱼检测系统的对抗性扰动的全面评估

《Distributed Ledger Technologies: Research and Practice》：Comprehensive Evaluation of Adversarial Perturbations against ML-Based Ethereum Phishing Detection Systems

以太坊区块链中ML模型检测钓鱼欺诈的对抗脆弱性评估，测试随机森林、决策树等5种分类器对规则、梯度及黑盒攻击的鲁棒性，分析交易特征脆弱性，验证对抗训练和随机平滑有效提升抗性且性能损失小。

　　

摘要

机器学习（ML）模型被越来越多地用于检测以太坊中的欺诈行为，因为网络钓鱼和诈骗攻击会带来严重的安全风险。尽管这些模型具有很大潜力，但它们仍然容易受到对抗性操纵的影响。在本文中，我们对基于机器学习的以太坊网络钓鱼检测器在各种对抗性干扰下的性能进行了全面评估。我们研究了多种分类器，包括随机森林（Random Forest）、决策树（Decision Tree）、K-近邻（K-Nearest Neighbors）、图神经网络（Graph Neural Networks）和XGBoost，并将其与基于规则的分类器、基于梯度的分类器以及黑盒分类器进行了对比，这些分类器都面临着对抗性攻击。我们进行了详细的功能级分析，以确定最容易受到操纵的交易属性，并评估了分类器在针对性攻击和非针对性攻击场景下的相对鲁棒性。为了提高模型的抗攻击能力，我们评估了诸如对抗性训练（adversarial training）和随机平滑处理（randomized smoothing）等缓解技术，证明了这些技术在提高鲁棒性方面的有效性，同时不会显著降低模型性能。