Bien que Ethereum se distingue par ses innovations dans la blockchain, ses caractéristiques d'ouverture et d'anonymat offrent également des opportunités aux acteurs malveillants. Les données sont là : à la mi-2022, les pertes cumulées dues à la fraude ICO et aux escroqueries en ligne atteignaient 225 millions de dollars, et le montant impliqué dans ces transactions anormales sur toute l'année 2022 est encore plus impressionnant — 23,8 milliards de dollars.

Comment combler ce trou noir ? Les méthodes traditionnelles d'étiquetage manuel ne suffisent plus : la limitation des données, le coût élevé et la difficulté à évoluer rendent la tâche ingérable. Heureusement, ces dernières années, les avancées en apprentissage automatique non supervisé ont ouvert de nouvelles perspectives pour la détection des risques de transaction.

**Par où commencer ? Organiser d'abord les données**
La première étape pour détecter les transactions anormales consiste à structurer l'immense volume de données de transaction d'Ethereum. Il faut extraire les historiques de transactions depuis la source de données on-chain, puis construire un réseau de transactions pondéré et multi-graphique. En termes simples, les nœuds du graphe représentent les comptes, les arêtes indiquent le flux de transactions, et le poids est déterminé par le montant de la transaction et le timestamp. Cette conception permet non seulement d'observer les relations entre comptes, mais aussi de capter les caractéristiques spatio-temporelles des transactions. Par exemple, une concentration de transactions fréquentes et de gros montants peut indiquer une escroquerie de type Ponzi, tandis que des transactions dispersées de petits montants peuvent impliquer une attaque de poussière.

**Ensuite, utiliser la transformation en graphe dual pour extraire des caractéristiques profondes**
Dans le réseau de transactions original, les relations sont souvent obscures. Les chercheurs ont donc proposé la transformation en graphe dual : considérer chaque transaction comme un nœud indépendant, puis établir des connexions entre transactions partageant le même compte. Avec cette transformation, les relations indirectes entre transactions deviennent explicites, permettant de découvrir de nombreuses chaînes de relations invisibles auparavant.