基于图对比学习的以太坊钓鱼诈骗检测方法EPAD研究

为解决以太坊交易中钓鱼诈骗账户难以识别及数据类别不平衡问题，研究人员开发了基于图对比学习的自监督检测框架EPAD。该方法通过"节点vs局部子图"对比策略捕捉邻居特征，在无标注数据下实现97%的检测精度，为区块链安全提供了创新解决方案。

　　

以太坊作为全球第二大加密货币平台，日均处理超百万笔交易，但钓鱼诈骗者通过伪装成正常账户，单周即可骗取64.5万美元。传统检测方法面临两大难题：账户特征难以提取（如十六进制地址0x4675C7...难以区分），以及200万账户中仅数千个标注样本导致的严重数据不平衡。现有监督学习方法依赖人工特征标注效率低下，而无监督方法又因忽略邻居交易特征导致检测精度不足。

中国国家自然科学基金支持的研究团队在《Expert Systems with Applications》发表论文，提出革命性的EPAD（Ethereum Phishing scAm Detection）框架。该研究创新性地采用图对比学习（Graph Contrastive Learning）技术，通过构建"节点vs局部子图"对比样本，在完全无标注条件下自动捕获账户交易特征。关键技术包括：1）基于随机游走的节点特征初始化；2）动态交易子图构建；3）图卷积网络(GCNs)特征增强；4）对比损失函数优化。实验使用真实以太坊交易数据集，对比Trans2vec、TTAGN等基线方法。

研究结果显示：
• 检测性能(RQ1)：EPAD达到97%精确度和95% F1值，较传统方法提升23%
• 特征表征(RQ2)：通过子图对比学习的特征区分度提升41%
• 消融分析(RQ3)：验证了邻居节点信息对检测准确率的贡献率达35%

该研究突破性地解决了区块链安全领域的标注数据匮乏难题，首创的"节点-子图"对比范式为复杂网络分析提供了新思路。实际应用中，EPAD系统可实时监测以太坊交易网络，每年潜在减少数千万美元诈骗损失。研究团队特别指出，未来将进一步整合时序特征（如BERT4Eth的时间编码技术）以应对新型诈骗模式。

（注：EPAD=Ethereum Phishing scam Detection；GCNs=Graph Convolutional Networks；F1=精确率与召回率的调和平均数）