计算机应用研究

作者：周健,闫石,张杰,黄世华,

单位：1.安徽财经大学管理科学与工程学院,安徽蚌埠233040；2.北京邮电大学计算机学院,北京100876；

关键词：区块链,机器学习,以太坊,非法账户,交易特征,

基金：国家自然科学基金资助项目(61402001)；安徽省高等学校自然基金资助项目(KJ2020A0013,KJ2019A0657,KJ2018A0441)；安徽财经大学重点项目(ACKY1815ZDB,ACKYB19012)；安徽财经大学科研创新基金项目(ACYC2020369)；；

日益频繁的非法交易行为妨害以太坊安全交易，针对电子货币的匿名性使得非法交易行为难于跟踪分析问题。将以太坊平台交易数据作为数据源，以被标记的非法账户和未标记的正常账户数据集作为训练集，利用交易数据的特征属性为构造基础，通过CatBoost算法对其中包含多种类型的非法账户进行整体预测。其过程通过T-SNE算法实现交易特征的降维可视化，采用多倍交叉验证，引入SHAP value因子判断特征影响的正负属性，所建立模型的预测效果准确率达到了94.29%，感受者曲线下面积（AUC）数值的评估度量达到了0.984 6。该方案能较为准确地预测以太坊交易平台上存在的非法行为，有效改善基于区块链的交易环境。

来源：2022年第10期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第10期