21、以太坊庞氏骗局检测与分子生物活性预测研究

以太坊庞氏骗局检测与分子生物活性预测研究

以太坊庞氏骗局检测

1. 数据集构建
   • 构建了两个数据集，一个保持庞氏和非庞氏合约的数据平衡（比例为191:191），另一个保持数据不平衡（比例为191:1152）。平衡数据集的负样本通过三次随机抽样获得。具体数据集属性如下表所示：
     | 数据集 | |V| | |E| | K | 比例 | 标签率(%) |
     | — | — | — | — | — | — | — |
     | Data ba1 | 62,151 | 71,587 | 2.30 | 191: 191 | 0.61 |
     | Data ba2 | 48,416 | 56,175 | 2.32 | | 0.79 |
     | Data ba3 | 59,109 | 70,092 | 2.37 | | 0.64 |
     | Data unba | 203,215 | 304,809 | 3 | 191: 1151 | 0.66 |
   • 注：|V|和|E|分别是节点和边的数量，K是平均度。
2. 对比方法
   • 手动特征工程依赖高性能的下游分类器来实现良好的任务性能，使用了七种集成学习模型，包括XGBoost分类器（XGB）、多层感知器（MLP）、AdaBoost分类器（ADA）、决策树分类器（DTC）、随机森林分类器（RFC）、梯度提升决策树（GBC）和逻辑回归（LR），直接学习手动特征到账户身份的函数映射。