MT²AD: многослойное временное обнаружение аномалий транзакций в сетях Ethereum с использованием графовой нейронной сети

В последние годы в сети Ethereum, второй по величине публичной блокчейн-платформе, наблюдается рост преступной активности, связанной с межкриптовалютной торговлей. Большинство существующих методов обнаружения аномалий используют традиционное машинное обучение с конструированием признаков или методы обучения графовых представлений для извлечения информации из сетей транзакций. Однако эти методы либо игнорируют информацию о временных метках и направлении потока транзакций в сети транзакций, либо рассматривают только одну сеть транзакций; при этом закономерности межкриптовалютной торговли в Ethereum обычно не учитываются. В данной работе предлагается модель многослойного временного обнаружения аномалий транзакций (Multi-Layer Temporal Transaction Anomaly Detection, MT²AD) для сети Ethereum на основе графовых нейронных сетей. Для заданной сети транзакций токенов Ethereum сначала извлекаются исходные признаки, включая структурный подграф и признаки рёбер. Затем временная информация в подграфе моделируется в виде последовательности сетевых срезов в соответствии с временной меткой каждого ребра и заданным временным окном. Для выявления закономерностей межкриптовалютной торговли срезы транзакций нескольких токенов, соответствующие определённой временной метке, объединяются и рассматриваются как новый совмещённый граф. Далее для получения векторного представления на уровне графа в этом новом графе используется графовый свёрточный кодировщик с механизмом внимания и операцией пулинга, а обнаружение аномалий в динамических многослойных сетях транзакций Ethereum преобразуется в задачу классификации графов с использованием полученных представлений. MT²AD объединяет структурные признаки транзакций, признаки рёбер и закономерности межкриптовалютной торговли в единой системе для обнаружения аномалий с помощью графовых нейронных сетей. Эксперименты на трёх многослойных сетях транзакций, полученных из реальных данных, показывают, что предложенная модель MT²AD (точность 0.8789, полнота 0.9375, F_bMacro 0.4987 и F_bWeighted 0.9351) обеспечивает наилучшие результаты по большинству метрик оценки по сравнению с конкурирующими методами, а также подтверждают эффективность учёта нескольких токенов.