综述：基于脑电图（EEG）的情绪识别在脑机接口中的应用：方法、挑战及未来发展方向

《Expert Systems with Applications》：EEG-based emotion recognition in brain–computer interfaces: methods, challenges, and future directions

以太坊钓鱼地址检测提出多视图对比学习模型FLHR-MCL，融合低阶统计特征与时间窗口超图的高阶交互特征，通过BiLSTM捕捉时序依赖，优化节点嵌入以提升复杂关系建模能力，实验在三个真实数据集上平均F1达98.42%。

　　

刘胜正|杨俊平|余新月|陈振|齐子轩|龙海霞|刘波

海南师范大学信息科学技术学院，海口，571158，中国

摘要

随着以太坊等区块链平台的快速发展，网络钓鱼诈骗已成为最严重的安全威胁之一。现有的网络钓鱼诈骗检测方法通常依赖于图神经网络，通过分析节点之间的转账关系来识别钓鱼账户。然而，这些方法主要关注低阶关系，难以有效捕捉节点之间的高阶交互模式。本文提出了一种多视图对比学习方法（FLHR-MCL），该方法融合了低阶和高阶关系以检测以太坊网络钓鱼诈骗。我们提取了两种类型的特征：低阶特征和高阶交互特征。低阶特征包括统计特征和时间特征。统计特征通过计算交易数量和交易金额等指标来揭示账户的整体行为模式，而时间特征使用Transformer处理不规则的交易数据，并通过BiLSTM捕捉交易行为中的长期依赖性。高阶交互特征通过多视图对比学习框架提取，该框架基于时间窗口构建超图以捕捉节点之间的共现关系。然后优化节点嵌入，提高模型捕捉复杂交互模式的能力。实验结果表明，我们的方法在三个以太坊交易数据集上的钓鱼地址检测任务中表现优异，平均F1分数为98.42%，平均召回率为98.18%。这不仅证明了FLHR-MCL的有效性和鲁棒性，还展示了其在区块链生态系统中推进智能和可信安全防御的潜力。

引言

以太坊是世界上最大的开源区块链平台，支持智能合约，在推动区块链技术创新和应用方面发挥了关键作用（Hou, Cui, Chen, Li, & Song (2024); Yang et al. (2024)）。它在去中心化金融（DeFi）和不可替代代币（NFTs）中的广泛应用促进了加密货币市场的快速增长（Karim, Lucey, Naeem, & Uddin (2022)）。然而，以太坊的匿名性和巨大的金融价值也吸引了犯罪分子和非法组织的注意（Ga?án, Ciere, & van Eeten (2017); Ramey (2018)）。平台的匿名性使恶意攻击者能够进行欺诈活动，如伪造交易和诱导用户点击恶意链接，从而导致各种安全威胁，包括网络钓鱼诈骗、洗钱、庞氏骗局和ICO欺诈（Peng & Boyle (2024); Wang, Tsai, & Shi (2024); Wu et al. (2020)）。网络钓鱼诈骗占这些威胁的最大比例（Sui et al. (2025); Xu, Li, Zhu, Shen, & Sharif (2024)）。因此，研究有效的以太坊平台网络钓鱼诈骗检测方法不仅具有重要的理论价值，还对保护用户资产和促进区块链技术的可持续发展具有深远的实际意义。

传统的网络钓鱼诈骗通常依赖于虚假的集中式平台（如假冒网站和欺骗性电子邮件）来窃取用户的敏感信息（Desolda, Ferro, Marrella, Catarci, & Costabile (2021); Naqvi et al. (2023)）。相比之下，以太坊上的网络钓鱼诈骗主要针对加密货币的盗窃，而不是个人敏感信息。以太坊上的网络钓鱼活动通常涉及虚假的交易地址或承诺高回报以诱使资金转移（Chen et al. (2020); Xu et al. (2024)）。这些新型诈骗缺乏固定的模式，也没有传统检测方法可以利用的明显指标，导致基于传统检测方法的现有技术在以太坊网络中的效果有限。此外，数据集存在严重的类别不平衡问题：尽管有超过200万个账户，但标记为钓鱼的账户数量非常少（Sui et al. (2025)），这进一步限制了现有方法在应对多样化网络钓鱼攻击和类别不平衡问题方面的有效性。

为了解决上述问题，现有研究对以太坊交易记录进行了建模，并将网络钓鱼诈骗检测任务转化为节点分类问题（Hou, Cui, & Li (2021)）。节点特征提取方法主要分为两类：特征工程和网络表示学习。两者都旨在通过学习节点表示来完成分类任务。特征工程依赖于手动设计的特征，如交易金额和交易频率来描述节点行为（Chen et al. (2020); Lin, Wu, Yuan, & Zheng (2020)）。然而，这种方法未能充分利用节点之间的拓扑结构，缺乏自动化，效率低下，导致网络钓鱼节点检测准确性受限。相比之下，网络表示学习方法（如图神经网络和随机游走）通过深度学习自动获取节点嵌入，并在网络钓鱼账户检测方面取得了一些进展（Chen, Hou, Zhang, & Li (2024); Sui et al. (2025); Zhang et al. (2024)）。

尽管上述方法都基于网络驱动的分析，但它们主要集中在成对交互上，因此忽略了高阶交互的重要性。最近的研究表明，捕捉高阶交互可以提供更全面的网络结构描述，并对网络动态产生深远影响（Battiston, Amico, Barrat, Bianconi, Ferraz de Arruda, Franceschiello, Iacopini, Kéfi, Latora, Moreno, et al., 2021, Battiston, Cencetti, Iacopini, Latora, Lucas, Patania, Young, Petri, 2020; Bianconi (2021); Bick, Gross, Harrington, & Schaub (2023); Liu, Yang, & Lü (2023); Yang, Liu, & Lü (2025)）。然而，现有的网络钓鱼检测方法未能捕捉节点之间的高阶交互关系。认识到高阶交互的关键作用，网络钓鱼节点检测也应结合高阶关系信息，以更准确地描述复杂的行为模式并提高检测性能。在本文中，我们引入了一种主流的高阶网络模型——超图，来构建具有更复杂交互的以太坊网络。此外，我们开发了一种用于检测网络钓鱼节点的模型FLHR-MCL，通过结合多视图对比模型来实现。主要贡献可以总结如下：

•

我们提出了一种多视图对比学习模型FLHR-MCL，它整合了低阶和高阶关系。通过融合低阶特征和高阶交互特征，该模型显著提高了网络钓鱼节点的检测能力。此外，它还减轻了数据集中正样本与负样本比例不平衡的不利影响。

•

与传统静态超图方法不同，我们设计了一种基于时间窗口的建模策略，并结合了多视图对比学习。这增强了表示的鲁棒性，并全面捕捉了节点之间的高阶交互。

•

FLHR-MCL方法在三个真实的以太坊交易数据集上进行了全面评估。实验结果表明，FLHR-MCL在网络钓鱼节点检测任务中的性能优于现有方法，表现出更高的鲁棒性和检测准确性。

相关工作

相关工作

在本节中，我们将简要回顾以太坊网络中网络钓鱼诈骗检测的现有研究。

Ibrahim等人（Ibrahim, Elian, & Ababneh (2021)）提出了一个使用三种机器学习算法（决策树（j48）、随机森林（RF）和K-最近邻（KNN）的以太坊非法账户检测模型。他们从Kaggle数据集中提取了42个特征，并使用相关系数选择了6个最有效的特征。实验结果表明，这些

方法

本节将详细描述所提出的方法，如图1所示，包括数据收集、低阶特征提取、高阶交互特征提取和网络钓鱼节点检测。

实验与结果

本节旨在评估所提出的FLHR-MCL方法在以太坊网络钓鱼诈骗检测任务中的性能。首先，我们通过与其他方法的比较实验验证所提方法的有效性。接下来，我们进行敏感性分析，以评估该方法在不同参数设置下的性能。最后，我们进行消融实验，以探索各种特征对检测性能的贡献。

结论

在本文中，我们提出了FLHR-MCL，这是一个新颖的框架，它通过基于时间窗口的超图建模策略和多视图对比学习框架，将低阶特征与节点之间的高阶交互相结合。这种融合有效地增强了复杂节点模式的表示。在真实的以太坊数据集上的实验结果表明，FLHR-MCL在F1分数、召回率和精确度方面显著优于基线方法。

缺失引用

缺失引用图6

CRediT作者贡献声明

刘胜正：概念化、方法论、软件、撰写——初稿、撰写——审阅与编辑。杨俊平：软件、可视化。余新月：数据整理、可视化。陈振：验证、形式分析。齐子轩：数据整理、可视化。龙海霞：概念化、方法论、撰写——审阅与编辑、监督、资金获取。刘波：概念化、方法论、撰写——初稿、监督、项目管理、资金

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。