Detecting Anomalies in Blockchain Transactions using Machine Learning Classifiers and Explainability Analysis

随着区块链数字支付的使用越来越流行，它也变得容易受到各种恶意攻击。成功地检测区块链交易中的异常是增强数字支付信任的关键。然而，由于非法交易的发生频率较低，因此在区块链交易数据中进行异常检测的任务具有挑战性。虽然该领域进行了几项研究，但仍存在一个限制：缺乏模型预测的解释。本研究旨在通过将可解释人工智能（XAI）技术和异常规则集成到基于树的集成分类器中，以检测异常比特币交易，从而克服这一限制。采用Shapley Additive exPlanation（SHAP）方法来衡量每个特征的贡献，并且它与集成模型兼容。此外，我们提出了用于解释比特币交易是否异常的规则。此外，我们引入了一种名为XGBCLUS的欠采样算法，旨在平衡异常和非异常交易数据。该算法与其他常用的欠采样和过采样技术进行了比较。最后，将各种基于树的单分类器的结果与堆叠和投票集成分类器的结果进行比较。我们的实验结果表明：（i）与最先进的欠采样和过采样技术相比，XGBCLUS提高了TPR和ROC-AUC分数，（ii）我们提出的集成分类器在准确性、TPR和FPR分数方面优于传统的单基于树的机器学习分类器。

本论文旨在通过集成可解释人工智能技术和异常规则到基于树的集成分类器中，以检测比特币交易中的异常交易。文章试图解决的问题是如何检测区块链交易中的异常交易。

论文的关键思路是将可解释人工智能技术和异常规则集成到树形集成分类器中，以提高检测比特币交易中异常交易的准确性和可解释性。文章提出了一种新的欠采样算法XGBCLUS，用于平衡异常和非异常交易数据。

论文使用Shapley Additive exPlanation（SHAP）方法来测量每个特征的贡献，并提出了解释比特币交易是否异常的规则。实验结果表明，XGBCLUS算法比常用的欠采样和过采样技术提高了TPR和ROC-AUC分数，而集成分类器比传统的单树机器学习分类器在准确性、TPR和FPR得分方面表现更好。

最近的相关研究包括：'Anomaly Detection in Bitcoin Blockchain Using Machine Learning Techniques'，'Bitcoin Transaction Data Analysis: A Network Perspective'，'Bitcoin Anomaly Detection Using Time-Series Analysis'等。