Хоча Ethereum добре досяг успіхів у сфері блокчейн-інновацій, його відкритість і прихованість також дає злочинцям можливість скористатися нею. Дані вже перед нами: станом на першу половину минулого року сукупні втрати від шахрайства з ICO та онлайн-шахрайства склали $225 мільйонів, а сума, пов'язана з цими аномальними транзакціями у 2022 році, була ще більш лякаючою — $23,8 мільярда.

Як компенсувати таку велику чорну діру? Традиційний метод ручного анотування давно був нестерпним, а анотація даних обмежена, дорога і важка для масштабування. На щастя, останніми роками відбулися прориви в технологіях неконтрольованого машинного навчання, які принесли нові ідеї для виявлення ризиків транзакцій.

**Як почати? Спочатку вирівняти дані**
Перший крок у виявленні аномальних транзакцій — це структурування величезних даних транзакцій Ethereum. Витягніть історичні транзакційні записи з джерел даних на ланцюгу, а потім створіть зважену багатотранзакційну мережу. Простіше кажучи, вузли на графіку — це кожен рахунок, а ребра представляють потік транзакцій, а вага визначається сумою транзакції та часовою меткою. Перевага такого дизайну полягає в тому, що він може бачити як кореляцію між рахунками, так і просторово-часові характеристики транзакції. Наприклад, високочастотне агрегування транзакцій з великою вартістю може бути пірамічною схемою, а децентралізовані дрібні транзакції можуть включати пилові атаки.

**Потім використайте перетворення дуального графа для глибоких ознак**
Відносини транзакцій у примітивних торгових мережах часто є маловідомими, тому дослідники запропонували ідею трансформації подвійного графа: розглядати кожну транзакцію як незалежний вузол і встановлювати зв'язок між транзакціями у спільних рахунках. Таким чином, непрямий зв'язок між транзакціями стає явним, і можна виявити багато раніше невидимих ланцюгів відносин.