比特币交易网络中的欺诈检测：一种节点嵌入方法

编辑：萝卜兔

P2P（例如 PayPal、Venmo、Prosper）交易网络是几个基于加密货币的市场的核心。 因此，用户可以在没有中间人的情况下匿名交易商品和加密货币。 然而，与所有交易平台一样，用户可能会成为欺诈的受害者，并在平台上损失金钱和声誉。 因此，P2P 平台在防止欺诈交易方面做出了努力，例如让用户在完成交易后相互评价并获得 Perception 分数。 虽然这有点奏效，但在识别伪装成可信赖卖家的用户方面效果较差。

在这里，我结合图论和深度学习来预测 P2P 比特币市场中的欺诈交易。 它主要利用图表示学习建立分类器来区分诚实的卖家和欺诈者，从而估计卖家在未来交易中进行欺诈的可能性。

匿名 P2P 交易的问题

一般来说，敏感的用户信息都是匿名的比特币一分钟交易技巧，下面是一些与欺诈有关的问题：

退款很难执行。 如果交易中没有中间人或中间人，汇款完成后几乎不可能追查到骗子。

用户绿色，欺诈者橙色

感知分数不是很有用。 当正面和负面评论的数量相似时，往往很难判断卖家的可信度。 换句话说，通过评论来判断一个卖家是否可信，正面和负面评论之间的差异应该是多少才有效？

感知分数可以被操纵。 买家只能靠评论来评估卖家的可信度，而卖家通常会用很多机器账号刷评论，冒充诚实卖家。

增强感知分数

鉴于上述问题和用户匿名的事实，我们似乎只能依靠感知分数来区分好卖家和欺诈者。 毕竟比特币一分钟交易技巧，与银行和其他金融机构不同，我们没有关于我们用户的任何额外信息，例如信用评分或过去的交易。

但是，我们可以利用网络本身提供的信息。 即隐含在P2P网络（由用户（节点）和用户之间的交易（边）组成的网络）中的信息。 例如，诈骗团伙的特点是他们相互评价非常积极，但与中心节点以外的用户接触却非常消极。

可以从交易网络中识别隐含信息

在下一部分，我将具体介绍比特币P2P市场欺诈交易预测场景，包括描述具体数据、使用Perception scores和图表示学习方法。

比特币 P2P 市场数据

我从 Stanford Large Network Dataset Collection 下载了两个比特币 P2P 市场（比特币 OTC 和比特币 Alpha）的图表数据。 如下所示，图表数据包含在每次交易后买方分配给卖方的评分表中。 评分范围为 [-10, 10]，只有大约 11% 的评论是正面的。

交易数据样本：SOURCE为买家用户ID； TARGET是卖家的用户ID； RATING是SOURCE给TARGET的评价分数

连接 Bitcion OTC 和 Bitcion Alpha 标签会产生一个包含 59788 笔交易（边）和 9664 个用户（节点）的图表。

交易子图：红色节点代表用户，黑色箭头代表交易，箭头指向卖家

为了简单和分析，我将交易分为两类：正常（+1）、欺诈（-1）。

分数分布不均，89%为阳性，其余为阴性。

任务是用邻居节点信息和评级信息构建一个分类器，以确定哪些卖家更有可能进行欺诈。

使用 Node2Vec 学习用户表示

为了从网络中提取用户特征，我使用了 Node2Vec 算法的 python 实现。 简而言之，Node2Vec 通过模拟随机游走为图中的每个节点生成低维表示。 在某种程度上，这些节点表示包含有关节点、社区和与其他节点的其他接近度的信息。

首先，我修剪原始网络，保留 80% 的交易用于训练分类器。 然后我生成了一个大小为 14 的 Node2Vec 表示，并使用 t-SNE 将其可视化，2D 中的投影表示如下。 Node2Vec 投影清楚地将节点（来自 OTC 和 Alpha）划分为两个区域。

为了获得更完整的节点表示，我将 6 个额外的节点特征连接到每个 Node2Vec 向量。 附加功能描述如下：

添加的功能

因此，对于每个节点，我构建了一个包含 Node2Vec 特征和评估分数的 20 维向量。

训练和验证神经网络

对于网络中的每笔交易，我创建了一个代表买家和卖家的 40 维向量，并将这些向量输入到具有以下层的神经网络中：

为了能够在监督学习下训练 NN，我将欺诈交易标记为 1，将非欺诈交易标记为 0。由于类别不平衡（89% 的训练示例为 1 或 0），神经网络使用引导程序进行训练，每 10 个时期训练一个子集，总共 150 个时期。 我称此模型为 TrustKeeper。 为了进行比较，我仅使用评估分数训练了具有相同结构的第二个网络。 我在剩下的 20% 的交易数据上测试了这两个模型。 结果如下：

没有 Node2Vec 的混淆矩阵

TrustKeeper 的混淆矩阵

两者的ROC曲线

相关链接

原文链接：

项目链接：

资料地址：

Node2Vec算法：