.png){kind=icon}
返回
Anomaly Detection in Blockchain Transactions Using Supervised Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07244-3_2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
区块链的概念通过引入去中心化和安全的架构改变了数字交易格局。然而，它易受51%攻击，恶意用户利用网络大部分计算处理能力操纵交易，通过欺诈或重复方式。本文提出了一种基于监督学习的异常检测算法，旨在检测此类攻击。在一个人工添加异常标记的比特币交易数据集上，我们比较了两种标准分类器：支持向量机（SVM）和随机森林（RF）。在区分正常与异常行为时，应用了重要区块链属性如确认数、区块高度、交易量和难度。性能通过准确率、精确率、召回率和F1分数衡量。RF在所有指标上均得满分（准确率、精确率、召回率和F1分数均为100%），表明其能有效持续识别恶意活动。相反，SVM的准确率和精确率较高（分别为98.96%和97.56%），但召回率和F1分数较低（分别为90.91%和94.12%），说明其无法始终识别所有异常。研究结果表明，集成模型如RF在实时异常检测和改进区块链安全系统方面具有实用性。
Keyword:
machine learning
blockchain
Anomalies
Support Vector Machine
Random Forest
期刊
C
IF:
0
论文数:
23
被引数:
0
机构
引用论文
分享收藏Reinforcement Learning in Blockchain-Enabled IIoT Networks: A Survey of Recent Advances and Open Challenges.png)
SUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏A Hierarchical Deep Learning-Based Intrusion Detection Architecture for Clustered Internet of Things
OAAI
OAAI分享收藏
查看更多内容