从物理领域扩展到数字虚拟空间,信任是维护健康互动和确保交易安全的基石[14],[21],[33]。在社交媒体和电子商务等传统生态系统中,错误信息和恶意行为(包括网络攻击)的传播严重侵蚀了相互信任的基础,威胁到这些平台的整体完整性[1],[9],[10]。
最近,区块链技术[29]作为一种范式转变的基础设施出现,支持从支付系统[25]到供应链管理[47]和数字身份[5]等各种去中心化应用。尽管区块链的底层共识机制有效地确保了交易记录的不可变性和公平性,但缺乏中央监督和节点的固有匿名性为恶意实体提供了从事有害活动的机会。这些架构特性使得节点之间的信任关系高度不确定且难以量化,从而削弱了系统的稳定性并嵌入了深刻的安全风险。因此,在没有中央认可的环境中,信任评估技术变得尤为重要。作为一种基本的安全能力,可靠的信任评估可以直接增强关键应用(如入侵检测[2],[6]、访问控制[17]和去中心化金融(DeFi)[3]),显著提高区块链生态系统的鲁棒性和安全性。
传统的区块链信任评估方法[19],[23],[24],[35],[44]主要依赖于统计模型,这些模型通过聚合节点的历史交易行为和评估信息来预测信任值。例如,Tu等人[35]在多个维度上量化节点行为,并使用改进的Beta分布模型和动态窗口来权重和更新节点的总体声誉。Yin等人[44]结合了统计清洗和QoS计算来进行信任评估。尽管这些方法具有一定的可解释性,但它们通常将节点视为独立实体,未能捕捉到复杂网络拓扑中隐藏的信任关系。随着深度学习范式在各个领域展示出强大的表示能力[4],[8],[46],图神经网络(GNNs)[12],[20],[30],[38],[40],[41]作为一种强大的数据驱动方法,由于其在图结构数据上的出色表示学习能力而受到了广泛关注。GNNs通过迭代消息传递机制将节点表示学习与网络拓扑相结合。通过递归聚合多跳邻居的特征,模型精确捕获了节点间的依赖关系。GNNs在信任评估、节点分类和链接预测任务中取得了显著的成功。对于信任评估,Lin等人[22]使用图卷积网络(GCNs)来聚合用户的进出边信息,捕捉信任的不对称性。Jiang等人[16]使用图注意力网络(GATs)为用户特征、网络结构和现有信任关系分配不同的权重,学习更丰富的节点表示以进行信任预测。
尽管取得了成功,现有的基于GNN的信任评估方法面临两个关键限制:第一个问题是GNNs通常依赖于局部消息传递。虽然可以通过堆叠多个GNN层来扩展邻居的接收范围,但这仍然将通信限制在局部区域,并可能导致一定程度的过度平滑。在区块链的背景下,非局部协作攻击(如Sybil攻击[27])很普遍。然而,现有的基于GNN的信任评估方法由于节点的感知范围仅限于多跳邻居而面临挑战。在这样的攻击场景中,由单个实体控制的多个恶意节点可能在网络拓扑中空间上相距甚远,如图1(a)所示,它们之间没有直接的边或紧密连接。因此,这些恶意节点看起来像是独立的个体。结果,模型难以捕捉由同一对手控制的节点之间的隐藏相关性。这种全球通信差距成为区块链信任建模中的一个核心挑战。第二个问题源于未能捕捉信任关系的内在不对称性和多样化语义。标准GNN通常基于节点特征和拓扑聚合邻居信息,而没有区分不同类型的信任语义。这导致了一个隐含的假设,即所有邻居贡献的信息是同质的,这可能会削弱关键可信边的影响力。在存在噪声信任关系的情况下,这种消息传递方法甚至可能放大不可靠的邻居信息,最终降低模型准确识别节点表示中真实信任结构的能力。
为了缓解这些限制,我们提出了GloTrust,这是一个通过图增强信任聚合和注意力引导的伪节点路由来连接局部和全局视角的统一区块链信任评估框架。在其核心,该框架通过两条平行但互补的路径在节点表示中建立全局依赖关系。在图增强信任聚合模块中,我们引入了一个建立在哈密顿循环上的-规则扩展图。如图1(b)所示,这种机制将长距离连接纳入稀疏的信任图中,而不损害固有的交易语义,从而打破了局部约束造成的信息瓶颈。作为这种拓扑重构的补充,一个语义感知的注意力模块通过学习特定权重来优化现有关系的利用,以实现不对称聚合过程。同时,注意力引导的伪节点路由模块将节点映射到一个共享的状态空间中,以捕捉远距离实体之间的潜在关联。通过利用可学习的伪节点作为全局中继,这一分支促进了整个图中的’节点—伪节点—节点’通信。最终,这两个分支的表示融合生成了一个既具有全局一致性又具有丰富语义的信任嵌入。我们的主要贡献可以总结如下:
(1) 我们提出了GloTrust,这是一个基于图增强和伪节点路由的区块链信任评估框架。具体来说,它通过构建扩展图并引入可学习的伪节点作为节点间全球通信的中间层来建立长距离通信。这两种机制共同实现了显式和隐式的全球通信,克服了传统方法中固有的局部信息传播的限制。
(2) 为了捕捉邻居聚合过程中不同信任关系的独特影响,我们引入了一种语义感知的注意力机制。该模块自适应地分配关系权重,从而细化了邻居消息的聚合,并增强了框架辨别潜在信任结构的能力。
(3) 我们在两个真实世界数据集上进行了广泛的实验,结果表明,所提出的方法在多个指标上优于当前的最佳实践。值得注意的是,它在对抗性随机攻击和Sybil攻击方面表现出强大的韧性。此外,其优越的性能扩展到了社交网络数据集,表明其在不同领域的适应性和部署潜力。
本文的其余部分组织如下。第2节回顾了信任评估的现有工作,并讨论了图神经网络中的全局消息传递机制。第3节正式定义了信任评估问题,并详细阐述了所提出的GloTrust框架的技术架构。第4节详细介绍了实验设置,并提出了全面的实证分析来验证我们方法的有效性。最后,第5节总结了本文。