《Blockchain: Research and Applications》：TcfDyG: Cryptocurrency Network Anomaly Detection Based on Time-aware Channel Fusion Dynamic Graph Neural Network
编辑推荐：
随着区块链技术和加密货币系统的快速发展，金融网络中的交易行为变得高度动态并表现出复杂的演化模式。然而，有效建模这些行为面临重大挑战：交易数据包含随时间复杂演化的异质信息。现有方法通常难以捕捉这些多通道特征之间的深层非线性相关性，限制了其发现潜在风险的能力。因此
随着区块链技术和加密货币系统的快速发展，金融网络中的交易行为变得高度动态并表现出复杂的演化模式。然而，有效建模这些行为面临重大挑战：交易数据包含随时间复杂演化的异质信息。现有方法通常难以捕捉这些多通道特征之间的深层非线性相关性，限制了其发现潜在风险的能力。因此，如何统一时间演化与通道特征交互以实现精确风险检测已成为当前研究焦点。在本文中，研究人员提出了一种时间感知通道融合动态图神经网络（TcfDyG），用于建模加密货币网络中的动态演化并执行链接预测。具体而言，研究人员采用时间感知历史邻居采样机制提取多模态特征，包括节点属性、交易边特征、时间编码以及基于共现的邻居交互信息。随后，研究人员将用于时间依赖建模的循环神经网络与基于多层感知机的混合模块集成，以执行通道级特征交互。在八个真实世界数据集上进行的大量实验表明，TcfDyG在链接预测任务中显著优于最先进的基线模型。结果表明，该集成框架通过联合建模时间演化和异质特征交互，有效改进了动态表示学习，同时在预测准确性与计算效率之间保持了良好平衡。研究人员的代码可在https://github.com/ly896/TcfDyG获取。
**论文解读：TcfDyG——基于时间感知通道融合的动态图神经网络用于加密货币网络异常检测**
**1. 研究背景与问题**
随着区块链技术的快速发展和加密货币的普及，加密货币交易网络日益复杂和动态化，欺诈、钓鱼、声誉操纵等安全风险显著增加。现有金融网络建模方法大多依赖静态图结构，忽略了交易行为的时间动态性，难以捕捉随时间演化的依赖关系。近年来，动态图神经网络（Dynamic Graph Neural Network, DGNN）被引入，但现有方法仍面临两大关键挑战：第一，缺乏深度跨通道特征交互。多数模型采用浅层特征融合策略（如简单向量拼接或独立注意力机制），无法捕捉节点属性、边特征、时间戳等异质信息之间的复杂非线性关联。例如，相同的交易金额可能因账户历史活动频率不同而代表截然不同的风险水平。第二，高效建模时间演化存在困难。加密货币网络具有高频交易和拓扑演化特征，传统基于循环神经网络（Recurrent Neural Network, RNN）的方法（如JODIE、TGN）需为所有节点维护记忆状态，在大规模图中产生巨大计算和存储开销；而轻量级序列方法（如GraphMixer）虽效率高，但难以有效编码精确时间间隔和邻居共现模式，丢失了关键行为语义。因此，如何统一时间演化与通道特征交互，实现准确的风险检测，成为当前研究焦点。
**2. 研究内容与结论**
针对上述问题，研究人员提出了一种时间感知通道融合动态图神经网络（TcfDyG），用于加密货币网络异常检测。该框架的核心思想是联合建模时间演化与异质信息源之间的跨通道特征交互，从而在学习丰富特征表示的同时保持计算可扩展性。通过在八个真实世界数据集（涵盖加密货币交易网络、钓鱼检测网络和通用交互网络）上的大量实验，结果表明TcfDyG在链接预测任务中显著优于六种最先进的动态图基线模型，在钓鱼检测任务上平均精度（Average Precision, AP）和曲线下面积（Area Under the ROC Curve, AUC）分别提升约3.9%和4.9%，同时在预测准确性与系统效率之间实现了优化权衡。该论文发表在《Blockchain: Research and Applications》。
**3. 关键技术方法**
研究人员主要采用以下关键技术方法：（1）时间感知历史邻居采样机制：为每个查询节点严格选取时间戳之前的最新n个历史交互序列，确保时序因果关系，并通过填充/截断策略处理节点度分布差异，平衡历史上下文捕获与计算效率。（2）多通道节点信息编码模块：将异质数据（节点属性、交易边特征、基于余弦基函数的时间编码、基于对数归一化频次的邻居共现编码）分别投影到共享特征空间，并通过通道维度拼接保留各模态独立语义，形成统一的多通道表示。（3）混合特征融合模块：结合门控循环单元（Gated Recurrent Unit, GRU）与多层感知机混合器（MLP-Mixer）架构，GRU建模长程时间依赖，MLP-Mixer通过通道混合和令牌混合实现非线性跨通道交互，共同输出最终节点嵌入。样本队列来源包括Bitcoin-Alpha、Bitcoin-OTC（加密货币信任网络）、Fish1、Fish2（以太坊钓鱼交易数据集），以及Wikipedia、Reddit（用户交互网络）、UCI、SocialEvo（社交通信网络）。
**4. 研究结果**
**4.1 性能比较（RQ1 & RQ2）**
在加密货币网络数据集（Bitcoin-Alpha、Bitcoin-OTC、Fish1、Fish2）上，TcfDyG在直推式（transductive）和归纳式（inductive）设置下均取得最优平均精度（AP）和AUC。在Fish1和Fish2数据集上，与第二优基线GraphMixer相比，AP和AUC分别提升约3.9%和4.9%，且改善具有统计显著性（p<0.05）。在通用交互网络（Wikipedia、Reddit、UCI、SocialEvo）上，TcfDyG同样在所有数据集上取得最佳AP和AUC，尤其在Wikipedia和Reddit上提升显著，表明其强领域泛化能力。
**4.2 消融研究（RQ3）**
通过移除三个核心模块（共现邻居编码、GRU、通道MLP融合）进行消融实验，结果表明每个模块的移除均导致AP一致下降。在Fish2数据集上，移除共现邻居编码使AP下降约3%，验证了各模块在捕获结构依赖和时间特征中的互补性与有效性。
**4.3 参数分析（RQ4）**
关键超参数分析显示，历史邻居采样数量n=20、MLP层数L=3时模型性能最优。n过小不足以捕获时间依赖，过大则引入噪声；L过深导致性能饱和或下降，表明模型在时间深度与复杂度之间取得良好平衡。
**4.4 效率分析（RQ5）**
理论复杂度分析表明，TcfDyG的整体时间复杂度为O(B·n·d2)，与邻居序列长度n呈线性关系，远低于基于Transformer模型的二次复杂度。在Bitcoin-Alpha数据集上，TcfDyG的每轮训练时间（12秒）与峰值GPU内存（46.8 MB）均优于大多数基线，在保持高效率的同时取得最高AP（95.38%），优于GraphMixer（93.04%）和FreeDyG（94.93%）。
**4.5 鲁棒性分析（RQ6）**
将节点按历史交互度分为冷启动（D<10）、正常（10≤D<50）和活跃（D≥50）三组。在四个加密货币数据集上，TcfDyG在冷启动节点上显著优于基线，表明多通道融合机制有效补偿了稀疏拓扑；在活跃节点上保持稳定，而GraphMixer出现明显下降，验证了时间感知邻居采样策略能过滤过时信息并捕获关键动态。
**4.6 特征联合设计探究（RQ7）**
比较拼接（concatenation）与逐元素相加（sum）两种特征联合策略。在Bitcoin-Alpha和Bitcoin-OTC上，拼接策略在直推式设置下AP和AUC分别提升约3.03%和3.29%，在归纳式设置下AP提升达5.36%和4.38%，证明保存正交语义通道对泛化性能至关重要。
**5. 总结与讨论**
**讨论总结**：研究人员的讨论部分指出，尽管TcfDyG取得了显著性能，但存在三个边界：第一，监督学习范式高度依赖高质量标注，而区块链网络高度匿名，标注稀缺；第二，深度混合GRU-MLP架构作为黑盒模型，决策可解释性有限，不利于金融监管合规；第三，局部邻居采样限制特征聚合为截断局部序列，可能遗漏宏观演化周期性交易模式，且在千万节点超大规模图上存在扩展性延迟。为此，未来研究方向包括：探索自监督预训练和对比学习以利用海量无标注交易数据；设计动态图神经网络事后解释机制以增强监管透明度；实现并行多尺度采样与分布式训练方案以同时捕获长期周期模式并扩展至大规模公共区块链网络。
**研究结论翻译**：在本文中，研究人员提出了TcfDyG——一种用于加密货币网络异常检测的时间感知通道融合动态图神经网络。TcfDyG将时间邻居采样、多通道特征表示、基于GRU的序列建模和基于MLP的通道交互集成到一个统一的动态图学习框架中。在多个真实世界数据集上的实验结果表明，这种集成设计有效改进了时间演化和异质特征交互的建模，在保持计算效率的同时，持续优于现有最先进方法。
