SmartGate:面向学术证书行为欺诈检测的AI–区块链可解释上链前筛查与防篡改管理原型

《Future Internet》:SmartGate: A Prototype of AI–Blockchain-Enabled Academic Certificate Management System

【字体: 大 中 小 】 时间:2026年10月24日 来源:Future Internet 4.6

编辑推荐:

  技术创新暴露了传统证书验证系统的脆弱性。传统验证方法无法处理复杂且不断演变的欺诈体系,并且易受操纵和人为错误影响。它们能够验证合法签名证书的真实性,却无法检测证书全生命周期中的行为欺诈。本文提出SmartGate——一个结合人工智能(AI)与区块链(block

  
技术创新暴露了传统证书验证系统的脆弱性。传统验证方法无法处理复杂且不断演变的欺诈体系,并且易受操纵和人为错误影响。它们能够验证合法签名证书的真实性,却无法检测证书全生命周期中的行为欺诈。本文提出SmartGate——一个结合人工智能(AI)与区块链(blockchain)以检测行为欺诈并保护学术证书完整性的安全框架。该框架利用AI与特征工程(feature engineering)捕获可指示欺诈的用户行为模式。所提出的SmartGate被设计为在允许证书存储于区块链之前筛查证书的行为上下文。高校学生记录数据被用于评估所提出的SmartGate。具体而言,正常学术记录与证书工作流为真实数据,而可疑案例则通过受控欺诈场景合成生成。采用机器学习算法对用户行为与证书合法性之间的关系进行建模。该框架引入SHAP可解释人工智能(XAI)方法以解释结果,从而提升透明度与信任。为提供安全、防篡改的系统,区块链被部署用于锚定已批准证书。已开发所提出SmartGate的原型。作为概念验证实现,采用XGBoost模型验证所提出SmartGate系统的证书筛查阶段。同时,使用本地Ethereum环境实现区块链锚定阶段。实验结果表明所提出SmartGate框架的技术可行性,包括其在受控环境中提供特征级模型可解释性的能力。
研究背景:学术证书是验证个人资格与成就的重要文件。数字化提升了证书流程与验证效率,但也形成复杂欺诈生态;元数据漏洞和内部人员凭据操纵可使欺诈证书被回填至真实机构数据库。传统依赖数据库背景核查的验证难以检测此类复杂欺诈,许多方法为人工操作且涉及可能不可信人员;数字签名与二维码技术主要验证密钥或链接,难以识别由被攻陷内部人员合法签名的欺诈证书;区块链可提供防篡改记录,但只接受合法签名的证书哈希,不能解决内部人员威胁。现有方法多验证证书工件本身,而非证书生成与签发的行为上下文。因此,研究人员提出SmartGate框架,结合AI与区块链,在证书上链前筛查行为上下文,并以SHAP解释筛查结果,再将批准证书锚定于区块链。研究人员开展了框架设计与功能原型开发,使用某高等教育机构(HEI)的学生记录数据(超过9000条真实学术记录、16个字段;因隐私与机构数据保护政策不公开,分析前去除直接个人标识并伪匿名化),其中正常学术记录与证书工作流为真实数据,可疑案例通过受控欺诈场景合成生成。研究得出该框架在受控环境中技术可行,可提供特征级模型解释,并可通过区块链锚定增强批准证书的完整性。其意义在于增加上链前行为筛查层,与区块链完整性机制互补,降低可疑证书被错误写入区块链的风险。

关键技术方法(不超过250字):数据层进行预处理与特征工程(FE,feature engineering,从原始数据构造行为风险指标),生成IsOffHours、IsNewDevice、IsExternalIP、GPA_GradeMismatch等特征;AI层采用XGBoost进行二分类,并用SHAP进行事后解释;区块链层以HMAC-SHA-256(基于密钥的哈希消息认证码)生成证书ID,通过Solidity智能合约在Ganache本地Ethereum网络锚定,Web3.py提供接口;后端采用Flask,数据库为SQLite;实验采用80%/20%分层划分、训练集内5折分层交叉验证、网格搜索与阈值0.29;样本队列来源为某HEI的9498条学术记录,其中8635条合法、863条为受控注入的可疑案例。

研究结果:5.2 结果:在含合成欺诈场景的学术证书数据上,5折交叉验证显示XGBoost行为筛查平均Accuracy为94.3%、Precision为94.0%、Recall为94.3%、F1-score为94.0%、ROC-AUC为87.6%,保留测试集ROC-AUC为89.5%,表明模型可区分欺诈与合法证书。5.2.1 超参数选择:在训练数据上对108组参数组合进行网格搜索,以5折分层交叉验证最高平均ROC-AUC选择配置,并通过折外预测在0.10–0.90范围选择0.29为决策阈值。5.2.2 基线算法:设置平凡规则分类器、逻辑回归和孤立森林基线,以评估循环性、可解释线性基线和标签盲异常检测基线。5.2.3 性能比较:XGBoost在所有指标上优于基线,混淆矩阵呈低假阳性与高真阴性,PR曲线与ROC曲线支持类不平衡下的判别能力。5.3 聚合特征稳健性分析:在保留测试集上将CertificateIssueCount、UserDailyCertificateCount、DuplicateCertificateID、MultipleVersionsOfCertificate同时置零后,可疑案例检测率下降14.29个百分点,ROC-AUC由0.8953降至0.8672,检测率由64.04%降至49.75%,说明模型性能依赖聚合特征。5.4 SHAP分析——模型可解释性工具:采用TreeExplainer计算SHAP值;全局解释显示IsNewDevice与IsExternalIP影响最大,其次为IsOffHours、IsWeekend、IsExternalLocation、GPA_GradeMismatch;局部证书示例显示正负贡献,支持管理员审查被标记证书。6 系统原型开发:实现AI与区块链两类技术,AI筛查证书行为上下文并解释结果,区块链为批准证书提供不可篡改记录。6.3 原型测试与结果分析:按七阶段流程测试Web应用。6.3.1 入口页面:提供登录或证书验证入口。6.3.2 主仪表盘与数据集上传页面:显示处理总数及批准、拒绝、待定状态,并上传证书信息。6.3.3 证书审核与评估页面:机器学习模型输出低、中、高风险,SHAP显示解释,审核由与签发不同的管理员处理。6.3.4 区块链锚定页面:批准证书以哈希上链,可验证保存并可撤销。6.3.5 证书验证页面:雇主、招聘机构等可验证候选人证书真实性。6.4 威胁模型与安全分析:采用STRIDE(一种威胁建模框架)分析内部人员、账户接管与数据操纵等威胁。6.4.1 STRIDE模型:六类威胁中,本研究识别伪造签发者凭据、篡改证书数据、权限提升和抵赖为相关类别。6.4.2 内部人员威胁:预发行行为筛查通过检测偏离正常模式的行为进行防护。6.4.3 账户接管威胁(未授权访问):分析访问日志可在签发前辅助检测此类欺诈。6.4.4 数据操纵威胁(中间人攻击):行为一致性筛查与HMAC-SHA-256承诺及区块链注册共同提供完整性机制。6.5 定量安全分析:在保留测试集上开展五组受控安全实验,评估Precision、Recall、F1-score与FPR(假阳性率)。6.5.1 行为可观测性分析:访问相关与时间相关指标同时活跃时Recall为82.8%、F1-score为82.0%;仅访问指标Recall为65.6%,仅时间指标为27.2%。6.5.2 部分可观测与自适应对手条件:四类指标中1类活跃时Recall为36.3%、Precision为69.5%;2类活跃时Recall为82.9%、F1-score为72.3%;3类活跃时Recall为100%、Precision为90.38%、F1-score为94.9%;4类活跃子集仅含可疑案例,FPR无法计算;自适应内部人员条件下Precision为81.5%、Recall为36.9%。6.5.3 对抗性抑制:无抑制时Recall为64.0%、F1-score为70.6%;抑制访问指标后Recall降至34.9%,抑制时间指标后为52.7%,同时抑制后为31.5%。6.5.4 受共谋启发的模拟:将UserDailyCertificateCount置零后,Recall由64.0%降至62.0%、F1-score由70.6%降至69.2%,影响相对有限。6.5.5 特征解耦的时间聚类模拟:在新生成评估集的166条可疑记录中检出130条,Recall为78.3%、Precision为97.7%、F1-score为86.9%、FPR为0.03%,显示模型在内部生成特征之外的预测力。6.6 SmartGate安全验证:验证仅修饰符访问控制、撤销机制与HMAC-SHA-256认证;未授权注册被拒绝,撤销不改变原区块链承诺,HMAC-SHA-256承诺验证成功而普通SHA-256比较不匹配。6.7 本地开发环境开销:以20份证书测试,AI验证平均0.0760 s、区块链注册平均0.8470 s、区块链验证平均0.0513 s,均低于1 s且表现稳定。

讨论部分总结:作者指出局限包括数据来自单一高等教育机构、区块链实现于本地Ethereum环境、尚未在其他大学开展外部验证。未来工作包括隐私保护、多模态框架、多机构数据聚合、协作学习、在Hyperledger Besu/Fabric等网络上以更多证书评估每证书gas成本、升级为自主系统以跟踪元数据并定期更新数据库和重训练模型,以及采用外部设计的注入协议或真实标注欺诈案例。研究结论翻译:本文提出集成框架SmartGate,结合AI与区块链两类技术,用于检测行为欺诈并保护学术证书。该框架应对内部人员威胁和行为欺诈检测的关键挑战。设计了一个可解释AI赋能的模型,在将证书锚定至不可变区块链账本之前筛查证书行为欺诈。两类技术的集成展示了在受控概念验证环境中增强证书管理方法的可行性。作为概念验证,研究人员在所提出的SmartGate框架内采用广泛用于欺诈检测的XGBoost算法作为行为证书筛查模型;结果通过证明所提出的可解释AI上链前筛查机制的可行性回答了研究问题。在所开发框架内实现SHAP可解释性,为理解影响模型决策的行为指标提供了有用洞见,使管理员及其他实体能够理解证书被标记的原因,从而支持透明决策,并帮助其验证认证过程的真实性。此外,将区块链作为数据库锚定证书可确保防篡改记录。研究人员在本地Ethereum环境开发并实现了所提出SmartGate架构的功能原型,证明该框架在受控实验环境中的技术可行性。总之,本研究提出一种用于学术证书管理的集成框架;若实现完全自动化,该框架具有增强证书处理与验证系统安全性的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号