《Future Internet》：Explainable Graph Neural Networks for Multi-Class Fraudulent Address Classification in Ethereum
编辑推荐：
区块链网络凭借加密货币交易的不可逆性和伪匿名性，已成为网络钓鱼和诈骗等欺诈活动的主要目标。现有以太坊欺诈检测研究通常将该问题建模为二分类任务，限制了其区分不同恶意行为的能力。本文提出了一种基于可解释图神经网络（Graph Neural Network, GNN
区块链网络凭借加密货币交易的不可逆性和伪匿名性，已成为网络钓鱼和诈骗等欺诈活动的主要目标。现有以太坊欺诈检测研究通常将该问题建模为二分类任务，限制了其区分不同恶意行为的能力。本文提出了一种基于可解释图神经网络（Graph Neural Network, GNN）的框架，用于利用增强版基准标注交易以太坊数据集（Benchmark Labeled Transactions Ethereum, BLTE）进行多分类以太坊地址分类。原始的二元BLTE数据集通过整合外部攻击类别信息扩展为多分类数据集，并将地址标记为正常、钓鱼或诈骗。由此产生的BLTE多分类数据集包含73,033个以太坊地址、23个行为节点特征和6588条有向交易边。三种GNN架构，即图注意力网络（Graph Attention Network, GAT）、图卷积网络（Graph Convolutional Network, GCN）和GraphSAGE，在相同的实验设置下进行了评估。在十个分层随机种子中，GraphSAGE在已实现的GNN中取得了最佳总体性能，准确率约为99%，宏召回率约为81%，宏F1分数约为51%，加权F1分数约为0.99。为了提高模型透明度，使用GNNExplainer识别影响预测的关键交易子图与重要节点特征。结果表明，邻域感知的图学习有助于以太坊多分类地址分类，同时也表明在严重类别不平衡下，少数类精确率仍具挑战性。研究发现，仅使用特征的多层感知机（Multilayer Perceptron, MLP）是一个强基线，其宏F1分数经多重比较校正后在统计上与GraphSAGE无显著差异；因此，图结构带来的改进较为有限，且集中在网络的少量连通部分，在实际调查中使用该框架之前仍需在独立数据集上进行外部验证。
近年来，区块链技术已成为去中心化数字服务与去中心化金融应用的重要基础设施，其中以太坊因支持可编程智能合约而受到广泛关注。然而，以太坊交易的伪匿名性、公开性和不可逆性使其成为网络钓鱼、诈骗等恶意活动的温床。现有以太坊欺诈检测研究大多将问题建模为二分类任务，仅区分正常与异常地址，难以辨别不同欺诈类型之间的行为差异。同时，以太坊交易数据天然具有图结构特征，而传统方法往往忽略地址间的关联关系；此外，深度模型普遍缺乏可解释性，影响了其在实际区块链取证中的应用。针对上述问题，研究人员构建了多分类BLTE数据集，提出了一种可解释的图神经网络（Graph Neural Network, GNN）框架，用于以太坊地址的细粒度欺诈分类，相关成果发表于《Future Internet》。
研究人员将原始二分类BLTE数据集与外部攻击类别数据集整合，构建了包含73,033个以太坊地址、23个行为节点特征和6588条有向交易边的多分类BLTE数据集，标签类别为正常、钓鱼和诈骗。在相同实验条件下评估了三种GNN架构：图注意力网络（Graph Attention Network, GAT）、图卷积网络（Graph Convolutional Network, GCN）和GraphSAGE，并集成了GNNExplainer用于解释模型预测。主要关键技术包括有向交易图构建、基于邻域消息传递的GNN节点分类、GNNExplainer局部解释，以及多随机种子重复协议下的Wilcoxon符号秩检验、Holm–Bonferroni多重比较校正、效果量和置信区间分析；同时采用标签独立边重建和消融实验对结果进行验证。数据集来源为公开的BLTE仓库及外部攻击类别数据集。研究还纳入了特征型MLP、随机森林（Random Forest, RF）、XGBoost和重新实现的Chebyshev图卷积基线作为对照。
**GAT模型性能分析**：GAT模型的验证准确率约为55%，验证宏F1分数稳定在约0.24，为三种GNN中最低。说明在稀疏且类别不平衡的交易图中，注意力机制可能将重要性分配给不相关邻居，导致聚合效果不佳。
**GCN模型性能分析**：GCN模型验证准确率达到约86.51%，验证宏F1分数约为37.02%，训练曲线平稳且泛化良好。但宏F1分数仍明显低于准确率，表明其对少数类欺诈地址的识别能力有限。
**GraphSAGE模型性能分析**：GraphSAGE验证准确率快速升至约98.95%，验证宏F1分数达到约0.46–0.48，单次测试集宏F1分数为51.12%。GNNExplainer显示其依赖高度局部的邻居结构，特征重要性集中于最小入账金额、活跃时长、平均燃气限额和最大入账金额等，说明采样聚合机制更适应本地化欺诈模式。
**多种子、基线与显著性结果**：在十个分层随机种子下，GraphSAGE的宏召回率约为80.75%，宏F1分数约为51.12%，显著优于GAT、GCN、RF、XGBoost和Chebyshev GCN；但GraphSAGE与特征型MLP之间的宏F1差异经Holm校正后不具统计学显著性，表明行为节点特征本身已携带大量判别信息。
**绝对计数混淆矩阵**：绝对计数混淆矩阵显示，GraphSAGE能识别约70%的钓鱼和诈骗地址，但同时产生数百个正常地址到少数类的误报，导致少数类精确率仅约14%（钓鱼）和21%（诈骗）；正常类构成99.77%的样本，因此高准确率与高加权F1分数并不能正确反映欺诈检测质量。
**标签独立边重建检查**：在不使用攻击类别字段重建边集后，GraphSAGE的宏召回率和宏F1分数较原始边集略有下降，但总体排名不变且仍略高于MLP，表明图结构贡献并非完全来自标签相关边，但行为特征仍是主要预测信号来源。
**高置信度正常鲁棒性检查**：剔除1842个与已知欺诈地址存在交易或出现在攻击记录中的不确定正常地址后，结果变化很小，说明将未列入攻击库的地址标为正常并未显著影响结论。
**解释的定量评估**：在保真度、稀疏性和稳定性三项指标上，GraphSAGE的解释均优于GAT和GCN，特征排名跨种子平均top-5重叠也最高；所有架构对诈骗类的解释保真度高于钓鱼类，但总体稳定性仍不足以作为法医学上的确定性归因。
**消融研究**：在非孤立节点子集上，GraphSAGE的宏F1分数升至56.84%，表明图结构贡献集中在连通部分；采用类别加权损失后，宏召回率从35.62%提高到80.75%，宏F1从34.41%提高到51.12%；移除连接度特征组使宏F1下降7.44个百分点，移除时间特征组下降6.91个百分点，两者是最具判别力的特征类别；两层网络配置表现最佳，三层网络因过平滑而性能下降。
讨论部分指出，原始边集来自攻击类别记录，存在标签与边泄漏的风险；标签独立重建仅部分缓解该问题。数据集仅有69个钓鱼和99个诈骗地址，少数类样本极少导致指标波动较大；GraphSAGE验证损失在约70轮后持续上升，提示过拟合与过度自信。框架仅基于单一静态图快照，且移除了只有一个样本的Fake ICO类别，外部有效性有限。研究结论为：所提出的可解释GNN框架在BLTE多分类数据集上实现了较好的宏F1分数，GraphSAGE在三种GNN中表现最佳，邻域聚合有助于识别欺诈地址；GNNExplainer能够提供交易子图和节点特征层面的解释证据。然而，图结构相对于特征型MLP的改进并不大，且统计上不显著，判别信号主要来自行为节点特征，图结构增益集中在连通子图；少数类精确率仍然偏低，多数被标记为欺诈的地址实际上是正常地址。因此，在实际取证调查中使用该框架之前，必须在独立的以太坊数据集上进行外部验证。未来工作包括：在更多标注数据集上验证框架、使用完全独立的交易来源构建边、将分析扩展到动态交易图，以及通过焦点损失、成本敏感采样或嵌入空间少数类合成等先进不平衡处理策略进一步提升少数类检测性能。
