比特币交易网络中的欺诈检测：一种节点嵌入方法

技术前沿

作者：Jahir M. Gutierrez

编辑整理：萝卜兔

P2P（比如PayPal，Venmo，Prosper）交易网络是几个基于加密货币市场的核心。由此，用户可以在没有中间人的平台，匿名进行交易货物和加密货币。然而，就像所有的交易平台一样，用户可能成为欺诈的牺牲品，在平台损失金钱和信誉。因此，P2P 平台做了努力阻止欺诈交易，比如在完成一个交易后，让用户互相评价，得到一个 Perception 分数。尽管这个做法产生了一些效果，但是用于识别那些伪装成值得信任的卖家的用户时，效果差强人意。

在这里，我结合图理论和深度学习来预测 P2P 比特币市场欺诈交易。主要是使用图表示学习，建立了一个分类器，来区分诚实卖家和欺诈者，由此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

一般情况下，用户敏感信息是匿名的，下面是一些与欺诈有关的问题：

退款执行困难。没有中间人或交易中介，在汇款完成后追踪欺诈者几乎是不可能的。

绿色代表用户，橙色代表欺诈者

Perception 分数不是很有用。当正面评价和负面评价数量很相似的时候，通常很难判断卖方的可信度。换句话说，通过评价来判断卖家是否可信，正面和负面的评价区别应该多大才有效呢？

Perception 分数可以操纵。买家只能依靠评论来评估卖家的可信度，卖家则通常会利用很多机器账户刷评价，伪装成诚信的卖家。

增强 Perception 分数

通过上面描述的问题以及用户匿名的事实，我们似乎只能依靠感知分数来区分好卖家和欺诈者。毕竟，与银行和其他金融机构不同，我们没有任何关于用户的额外信息，例如信用评分或历史交易。

但是，我们可以利用网络本身提供的信息。也就是隐含在 P2P 网络（用户（节点）和用户之间的交易（边）构成的网络）中的信息。例如，一个诈骗团伙的特征是，他们之间的互相评价是很积极的，但是与中心节点之外的用户联系却非常消极。

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，利用 Perception 分数和图表示学习的方法。

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）的图数据。展示如下，图数据包含在各交易后买方分配给卖方的评分表中。评级的范围是[-10，10]，只有约 11% 的评价是正面的。

交易数据样本：SOURCE是买方用户ID；TARGET卖方用户ID；RATING是SOURCE给TARGET的评价分数

连接 Bitcion OTC 和 Bitcion Alpha 标签得到了一个图，有 59788条交易（边）和9664用户（节点）。

交易子图：红色节点代表用户，黑色箭头表示交易，箭头指向卖方

为了简化和分析，我将交易分为两类：正常（+1），欺诈（-1）。

评分分布不平衡，89%为正，其余为负。

任务是用邻居节点信息和评分信息构建分类器，判断哪些卖家更有可能实施欺诈。

用 Node2Vec 学习用户表示

为了从网络中提取用户特征，我使用Node2Vec algorithm 的 python implementation 。简要地说，Node2Vec 通过模拟随机游走，为图中的每个节点生成低维度表示。在某种程度上，这些节点表示包含节点的信息，社区以及其它和其他节点的接近度。

首先，我修剪了原始网络，保留了 80% 的交易用于训练分类器。然后我生成了大小为 14 的 Node2Vec 表示，并使用 t-SNE 将它可视化，在二维中的投影表示如下。Node2Vec 投影清楚的将节点（来自 OTC 和 Alpha）分为两个区域。

为了进行更完整的节点表示，我为每个 Node2Vec 向量连接了6个额外的节点特征。额外的特征描述如下：

增加的特征

因此，对于每个节点，我构建了包含 Node2Vec特征和评价分数的 20 维向量。

训练和验证神经网络

对网络中的每笔交易，我创建了一个代表买卖双方的 40 维向量，并将这些向量输入 NN，包含以下层：

两个大小为 128 的隐藏层（ReLU 激活）

一个大小为 64 的隐藏层（ReLU 激活）

一个大小为 32 的隐藏层 （ReLU 激活）

一个大小为 16 的隐藏层（ReLU 激活）

一个大小为 1 的输出层（sigmoid 激活）

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 class 不平衡（89%的训练例子是1或0），所以使用 bootstrapping 来训练神经网络，每10个周期训练一个子集，总共150个周期。我把该模型称为 TrustKeeper。为了比较，我仅仅使用了评价分数，用同样的结构训练了第二个网络。我在剩下的 20% 的交易数据上测试了两个模型。结果如下：

没有 Node2Vec 的 confusion matrix

TrustKeeper 的 confusion matrix

两者的 ROC 曲线