基于LightGBM的以太坊恶意账户检测方法
发布时间：2021-09-19 00:52
由于区块链匿名性的特点,以太坊逐渐成为恶意账户利用漏洞攻击、网络钓鱼等手段实施欺诈的平台。针对上述问题,文章提出了一种基于Light GBM的以太坊恶意账户检测方法。首先通过收集并标注8028个以太坊账户,基于交易历史规律提取手工特征;然后使用自动特征构造工具featuretools提取统计特征;最后通过融合的两类特征训练Light GBM分类器完成以太坊恶意账户检测。实验结果表明,文章提出方法的F1值为94.9%,相较于SVM、KNN等方法更加高效准确,引入手工特征有效提升了恶意账户的检测性能。
【文章来源】：信息网络安全. 2020,20(04)北大核心CSCD
【文章页数】：8 页
【部分图文】：
技术路线图
在评估指标的基础上，为验证Light GBM模型在以太坊恶意账户检测任务中的有效性，实验将融合特征f作为模型输入，采用10倍交叉验证，对比K最近邻（K-Nearest Neighbor,KNN）、逻辑回归（Logistic Regression,LR）、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）、自适应提升（Adaptive Boosting,Ada Boost）和Light GBM等6种不同模型的分类性能。模型对比实验结果如表3和图2所示。分析实验结果可知，Light GBM模型在实验中F1值达到94.9%，取得了良好的分类效果，相比KNN、RF和Ada Boost模型的F1值分别提升了4.5%、2.7%和2.2%。以决策树为基础的模型，在本次分类任务中均取得了较好的效果，实验F1值均达到92%。
特征重要度
本文编号：3400672
【文章来源】：信息网络安全. 2020,20(04)北大核心CSCD
【文章页数】：8 页
【部分图文】：
技术路线图
在评估指标的基础上，为验证Light GBM模型在以太坊恶意账户检测任务中的有效性，实验将融合特征f作为模型输入，采用10倍交叉验证，对比K最近邻（K-Nearest Neighbor,KNN）、逻辑回归（Logistic Regression,LR）、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）、自适应提升（Adaptive Boosting,Ada Boost）和Light GBM等6种不同模型的分类性能。模型对比实验结果如表3和图2所示。分析实验结果可知，Light GBM模型在实验中F1值达到94.9%，取得了良好的分类效果，相比KNN、RF和Ada Boost模型的F1值分别提升了4.5%、2.7%和2.2%。以决策树为基础的模型，在本次分类任务中均取得了较好的效果，实验F1值均达到92%。
特征重要度
本文编号：3400672
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/3400672.html
