关键词:
智能合约
交易特征
以太网
机器学习
摘要:
日益频繁的区块链交易行为逐渐成为社会的热点话题,虚拟电子货币的使用,一方面提供了便捷、安全的交易环境,另一方面也埋下了匿名性、不可追踪性的隐患。目前随着基于区块链的交易平台发展愈演愈烈,其所产生的庞大交易数据和其底层技术特征也为非法分子提供了可乘之机,根据以太坊上智能合约骗局难以追踪以及预测问题,本文研究的主要内容如下:1)针对以太坊中存在的非法账户问题,利用决策树分类算法,对以太坊上合约账户交易数据进行分析,提取多种属性特征,分析属性特征下各项数据指标,以此为基础,将模型和相同环境下其他的模型对比。结果显示,预测精度达到90.06%,AUC(感受者曲线下面积)数值达到0.945,较为准确地预测以太坊交易平台上存在的非法行为,改善基于区块链的交易环境。2)针对提升构建的模型优化性方面,利用决策树中的梯度提升书优化算法,在原有的属性特征基础上,融合多类特征,利用T-SNE算法,过程中实现降维可视化,重复采用多倍交叉验证,导入SHAP Value因子,对不同的属性进行标记分析,并对比多种其他模型,模型预测结果为94.29%,AUC数值为0.9846,提出的解决方案可以进一步加强以太坊交易平台的非法预测,持续改善区块链的安全环境。3)针对以太坊中存在的非法行为问题,提出从区块链交易网络中进行分析。提取以太坊中某个中心合约账户,过程采取随机抽样方法进行K阶发散,以此为基础建立复杂特征网络,结合从以太坊中提取到的关于钓鱼节点账户的数据集进行交易网络构造,利用两者的网络结构进行相关的链路指标分析,进而得出以太坊交易网络呈现小世界网络趋势。之后利用Open NE-Pyotch搭建的实验环境进行图表示方法的链路预测分析,对比各种模型的精度,通过链路预测的结果显示,基于随机游走算法的图表示分析方法对于以太坊中存在的骗局预测在F1-socre具有较好的分数。本文通过提取区块链上多种交易属性特征,利用机器学习等优化算法构建区块链非法交易行为预测的稳定模型,并利用复杂网络理论对区块链交易网络进行模型的建立,进一步探究以太网智能合约骗局的分析。实验结果表明,在提取到的以太坊账户数据的基础下进行的预测模型以及交易特征网络的构建,其模型效果都有较为优良的精度,对区块链上的安全交易环境起到了较为稳定的改善作用。