A blockchain abnormal transaction detection method integrating graph enhancement and multi-teacher dynamic distillation
-
摘要:
针对现有区块链异常交易检测方法在复杂交易结构建模与数据不平衡处理方面的不足，本文提出一种融合图神经网络多教师模型、motif结构特征、SMOTE(synthetic minority oversampling technique)采样与双学生模型知识蒸馏的检测方法——MGDD (multi-teacher GNN dynamic distillation)。该方法首先利用motif统计量增强节点结构表达，随后结合图卷积网络、图注意力网络、图同构网络、图采样与聚合网络构建多教师模型，通过动态蒸馏机制引导多层感知机与随机森林学生模型学习图中的高阶语义特征，并引入SMOTE进行过采样以缓解样本不均衡问题。在Elliptic数据集上的实验结果表明，MGDD在准确率、召回率与F1值等指标上全面优于现有典型方法，其中RF学生模型在蒸馏引导下准确率达到99.23%。消融与鲁棒性实验进一步验证了motif特征与知识蒸馏机制在提升检测性能与模型稳定性方面的重要作用。综上所述，MGDD为区块链异常交易检测任务提供了一种高效、可推广的建模范式，具备良好的应用前景。
Abstract:To address the limitations of existing blockchain abnormal transaction detection methods in complex transaction structure modeling and data imbalance handling, this paper proposes a detection method called MGDD (multi-teacher GNN dynamic distillation) that integrates graph neural network teacher models, motif structural features, SMOTE sampling, and multi-student model knowledge distillation. This method first enhances node structural representation using motif statistics, then constructs multiple teacher models by combining GCN, GAT, GIN, and GraphSAGE graph neural networks. Through a dynamic distillation mechanism, it guides multi-layer perceptron (MLP) and random forest (RF) student models to learn high-order semantic features from graphs, and introduces SMOTE for oversampling to alleviate the sample imbalance problem. Experimental results on the Elliptic dataset demonstrate that MGDD outperforms existing typical methods in terms of accuracy, recall rate, and F1-score, with the RF student model achieving an accuracy rate of 99.23% under the guidance of distillation. Ablation and robustness experiments further verify the important role of motif features and knowledge distillation mechanisms in improving detection performance and model stability. In summary, MGDD provides an efficient and scalable modeling paradigm for blockchain abnormal transaction detection tasks, showing promising application prospects.
-
近年来，随着区块链技术在金融、供应链、数字资产等领域的广泛应用，其匿名性和去中心化特性在带来技术红利的同时，也为非法交易、洗钱等行为提供了新的可乘之机。异常交易行为的识别，尤其是在复杂的区块链交易图中发现隐蔽的异常账户，已成为当前金融安全与智能风控研究的热点问题之一。与传统金融交易数据不同，区块链交易数据天然具有图结构特性：每个地址和交易可以建模为图中的节点，资金的流动关系则表现为边。这种图结构特性促使研究者广泛采用图神经网络(graph neural networks, GNN)来建模和分析区块链交易行为，利用其在图结构学习上的优势，以识别潜在的异常交易。尽管现有研究中，GCN[1] (graph convolutional network)、GAT[2](graph attention network)、GraphSAGE(graph sample and aggregate)等GNN模型[3]已被应用于区块链异常交易检测任务，并取得了一定成效，但仍存在以下几方面的挑战：1)结构信息表达能力不足。传统GNN主要依赖一阶邻居信息聚合，难以捕捉复杂的交易行为模式和高阶结构特征，导致对隐蔽性强的异常交易检测性能不佳；2)训练成本高、推理效率低。主流GNN模型计算开销大，参数复杂度高，在处理大规模区块链交易数据时，训练时间过长，且难以在实时或边缘设备上快速部署，无法满足实际应用中对实时性的要求。3)类别不平衡问题显著。在实际区块链数据中，异常交易通常占比极低，传统模型易受到多数类样本的影响，导致对少数类异常交易的检测性能下降，出现漏检等情况，严重影响检测效果。
为应对上述挑战，本文提出一种融合图结构增强与多教师知识蒸馏的区块链异常交易检测框架MGDD(multi-teacher guided distillation for detection)。本研究的创新贡献包括：1)构造了融合motif与时序特征的节点特征增强机制，利用motif结构挖掘交易图中的高阶局部结构模式，有效增强图表示的表达能力，从而解决了传统GNN结构信息表达能力不足的问题。2)设计了多教师图神经网络架构，集成GCN、GAT、GIN和GraphSAGE这4种异构GNN模型，从多视角联合学习图结构表示，为后续知识迁移提供丰富的知识基础。3)引入知识蒸馏机制，构建了随机森林RF(random forest)和动态蒸馏多层感知机(multi-layer perceptron，MLP)双学生模型蒸馏架构，将教师网络中学习到的知识迁移给轻量级学生模型，兼顾准确性与推理效率，解决了主流GNN模型训练成本高、推理效率低的问题。4)提出了结合DropEdge随机边裁剪和 SMOTE(synthetic minority oversampling technique)过采样技术，分别增强模型泛化能力和缓解类别不平衡问题。实验结果表明，MGDD框架在保持较高检测准确率的同时，显著提升了模型的效率与鲁棒性，为大规模区块链环境中的异常交易检测提供了一种有效途径。
1. 相关工作
随着区块链技术在加密货币、智能合约与去中心化金融等领域的迅速普及，其匿名性与不可篡改性特征虽然提升了数据安全，但也被不法分子滥用，导致链上非法交易行为日益频繁。如何有效识别异常交易行为，已成为保障区块链系统安全与合规的重要研究方向。目前，区块链异常交易检测方法主要可分为：基于规则和特征工程的传统机器学习方法、基于图神经网络的方法及融合高阶结构的方法。
近年来，研究者进一步在图神经网络框架内引入高阶结构(motif)、知识蒸馏与样本平衡等轻量化增强策略，以应对类别不平衡和部署效率问题。
1.1 基于规则与特征工程的传统机器学习方法
早期研究主要依赖专家经验构建规则或提取统计特征，结合支持向量机(support vector machine，SVM)、决策树(decision tree)、逻辑回归(logistic regression)等传统分类器实现异常检测。传统的区块链异常交易检测方法多依赖规则匹配[4]或基于统计学习的浅层特征提取[5]，难以刻画交易行为的复杂图结构与演化特性，检测效果有限。文献[6-7]将同一交易输入地址中的多个找零地址归并为一个实体，从而提升实体的聚合程度。然而，非法用户混淆实体模式，隐私保护技术增强匿名性，导致传统规则启发式实体识别性能不高。一些方法通过分析交易金额分布、频率、时间间隔等特征实现识别，如Farrugia等[8]通过分析44个基于历史交易记录的特征，发现对检测以太坊非法账户影响最大的3个特征是交易时间差、可用余额和收到的最小以太币值。而Ibrahim等[9]则是在上面的基础上，选取了6个最重要的交易特征。王栋等[10]使用主成分分析对区块链数据进行线性和非线性降维；朱会娟等[11]设计了残差网络结构，将高层抽象特征与浅层特征自适应的融合，并挖掘两者的交叉信息获得更具有区分力的特征。然而，在面对复杂隐蔽的交易行为时泛化能力有限，难以满足实际检测需求。同时，区块链中的交易和账户之间存在复杂的网络关系，传统方法难以有效捕捉这些关系，而异常交易检测需要分析这种复杂关系。
1.2 基于图神经网络的方法
由于区块链交易天然构成复杂的图结构，GNN在区块链异常交易检测[12]领域展现出了强大的潜力，近年来成为主流的异常检测手段。GCN、GAT和GraphSAGE等经典GNN模型已被应用于比特币、以太坊等链上交易图中，通过节点聚合机制学习交易节点的图表示，捕捉其上下文行为特征。例如，Elliptic团队率先使用GCN进行加密货币交易分类任务[4]，展示了GNN模型在捕捉图结构中的上下文行为特征方面的潜力。文献[13]考虑了区块链交易网络的拓扑结构，提取了交易图的领域和局部特征，并将其应用于集成方法中。Nerurkar[14]为识别比特币上的非法交易，基于比特币网络提取的交易特征结合谱图卷积网络提出了一种深度学习图神经网络模型。然而，现有GNN方法仍面临三方面挑战：1)多数模型仅聚合一阶邻居信息，难以建模高阶交易模式；2)GNN结构复杂、参数量大，导致训练开销高、部署难度大；3)区块链交易中异常样本占比较低，导致类别不平衡问题严重影响模型性能。
1.3 图结构增强与模型轻量化方法
为增强图表示能力，研究者引入图结构模式(motif)以挖掘交易网络中的高阶结构信息，如三角形、星型等。Chen等[15]和Jourdan等[16]将motif应用于构建离散时间交易图，提取节点的交互频次与金额等行为特征，有助于识别匿名账户、理解网络行为。同时，Rong等[17]的结构扰动方法被用于缓解过拟合，提升模型的泛化与鲁棒性。
此外，知识蒸馏(knowledge distillation)已被用于图神经网络中。然而，现有图神经网络蒸馏研究多集中于单教师架构[18]，而对多种GNN模型知识进行协同融合的研究仍较为有限。Yang等[19]通过将性能强但复杂的教师网络(如GNN)学习的知识迁移至轻量化学生模型(如多层感知机MLP、随机森林RF)，显著降低了模型计算成本，同时保持了检测性能。Zhou等[20]提出了一种基于图神经网络的holistic知识蒸馏方法HKD (holistic knowledge distillation)，通过整合个体知识和关系知识来指导学生网络的学习。针对类别不平衡问题，合成少数类样本技术(如SMOTE)也被引入到图节点分类与异常检测中，缓解少数类样本不足带来的训练偏差，如Zhang等[21]提出了一种结合ENN-SMOTE(edited nearest neighbors synthetic minority oversampling technique)采样和注意力机制的图卷积网络模型，用于解决图节点分类中的类别不平衡问题。ENN-SMOTE通过增加少数类节点并减少多数类节点来平衡数据集。
总之，当前区块链异常交易检测方法在建模高阶结构特征、提升模型推理效率、缓解类别不平衡等方面仍存在瓶颈。为此，本文提出一种融合高阶motif特征、图神经表示学习、多教师知识蒸馏与样本平衡策略(SMOTE)的轻量级检测框架MGDD，旨在保证检测性能的同时，提升模型的可扩展性与部署效率。
2. 方法设计
MGDD是一种多教师图神经网络模型与动态知识蒸馏机制的区块链异常交易检测方法，整体方法框架如图1所示，旨在保持检测精度的同时降低模型推理成本，以适应大规模交易图中对实时、轻量风控的实际需求。主要包含4个关键模块：特征增强模块、多教师图神经网络模块、动态蒸馏与学生模型模块、鲁棒训练策略模块。
图 1 MGDD框架Fig. 1 Framework of MGDD
下载:
全尺寸图片
2.1 特征增强：motif结构与时间行为融合
区块链交易图具备复杂的结构与行为模式，原始数值特征(如金额、时间戳)难以充分刻画异常行为。为提升模型对可疑交易模式的感知能力，本文引入结构与时间2个维度的增强特征。
2.1.1 Motif特征提取
在结构维度上，本文提取每个节点的高阶图结构指标，包括三角形数量(triangle count)、聚类系数(clustering coefficient)与介数中心性(betweenness centrality)等。这些指标有助于揭示节点在图中的结构特征和行为模式。
三角形数量可揭示混币行为中常见的密集局部子图，公式表示为
$$ {T}_{i}=\frac{1}{2}\sum\limits_{j\in N(i)}\sum\limits_{k\in N(i)\cap N(j)}1 $$ 式中：$ {T}_{i} $表示节点$ i $的三角形数量，$ N(i) $是节点$ i $的邻居节点集合。聚类系数主要衡量节点邻居间的紧密程度，异常账户往往形成高聚集度结构，公式表示为
$$ {C}_{i}=\frac{2{T}_{i}}{{k}_{i}({k}_{i}-1)} $$ 式中：$ {C}_{i} $表示节点$ i $的聚类系数，$ {k}_{i} $是节点$ i $的度数。介数中心性可识别转账路径中的关键中介节点，有助于捕捉洗钱网络中的枢纽角色，公式表示为
$$ {B}_{i}=\sum\limits_{s\neq i\neq t}\frac{{\textit{σ}}_{st}(i)}{{\textit{σ}}_{st}} $$ 式中：$ {B}_{i} $表示节点$ i $的介数中心性，$ {\textit{σ}}_{st} $是从节点$ s $到节点$ t $的最短路径数量，$ {\textit{σ}}_{st}(i) $是经过节点$ i $的最短路径数量。
图2描述了motif结构特征，展示了3种典型结构。三角结构(三节点环)：A->B->C->A；星型结构：D->E，D->F，D->G，链式结构：H->I->J。
图 2 motif结构特征Fig. 2 motif structure feature下载:
全尺寸图片
2.1.2 时间行为特征
在时间维度，本文考虑节点发生时间戳，构造时间窗标签(例如交易周期分段)、时间差特征(如两次交易间隔)等行为模式特征。这些动态特征可揭示非结构性异常行为，如短时间内频繁转账、突发高额交易等。其与结构特征形成互补，有助于综合识别异常行为。最终，将上述结构特征与原始交易特征进行拼接，作为图神经网络建模的输入，公式表示为
$$ {{\boldsymbol{X}}^{\prime}}=\text{concat}\left(\boldsymbol{X},\boldsymbol{M},\boldsymbol{T}\right) $$ 图3给出了从原始时间戳到特征向量的转换过程，包括时间戳的归一化处理和特征向量的生成，清晰地解释了时间特征的归一化过程。
图 3 时间特征构建示意Fig. 3 Schematic of time feature construction下载:
全尺寸图片
2.2 多教师图神经网络模块
为提升图结构建模能力，引入GCN、GIN、GAT和GraphSAGE这4类GNN模型作为教师模型，分别从不同角度学习图结构表示，增强模型对不同交易模式的建模能力。GraphSAGE[3]通过邻居采样与聚合进行归纳建模，支持大规模图的采样训练，具备良好的扩展性，公式表示为
$$ \boldsymbol{h}_{v}^{(l+1)}=\text{σ}\left(\boldsymbol{W}_{1}^{(l)}\boldsymbol{h}_{v}^{(l)}+\boldsymbol{W}_{2}^{(l)}\cdot \text{AGG}\left(\{\boldsymbol{h}_{u}^{(l)},\forall u\in \mathcal{N}(v)\}\right)\right) $$ 式中：$ {\boldsymbol{h}}^{\left(l\right)}_{v} $表示节点$ v $在第$ l $层的特征向量；$ {\boldsymbol{W}}^{(l)}_{1} $和$ {\boldsymbol{W}}^{(l)}_{2} $表示第$ l $层的权重矩阵，用于对节点特征和聚合的邻居特征进行线性变换；$ \textit{σ}(\cdot ) $表示激活函数；$ \mathcal{N}(v) $表示节点$ v $的邻居节点集合；AGG表示聚合函数，用于聚合邻居节点的特征。
GCN[1]以拉普拉斯矩阵为基础的半监督图卷积网络，擅长捕捉局部平滑结构，适合低扰动图，公式表示为
$$ \boldsymbol{h}_{i}^{(l+1)}=\textit{σ}\left(\sum\limits_{j\in \mathcal{N}(i)\cup \{i\}}\frac{1}{\sqrt{{d}_{i}{d}_{j}}}{\boldsymbol{W}}^{(l)}\boldsymbol{h}_{j}^{(l)}\right) $$ 式中$ {d}_{i} $表示节点$ i $的度数。
GIN[22](graph isomorphism network)使用MLP结构实现最大判别性的图嵌入，具有较强的判别性，能够精细地区分节点结构，公式表示为
$$ \boldsymbol{h}_{i}^{(l+1)}={\text{MLP}}^{(l)}\left((1+{\epsilon }^{(l)})\cdot \boldsymbol{h}_{i}^{(l)}+\sum\limits_{j\in \mathcal{N}(i)}\boldsymbol{h}_{j}^{(l)}\right) $$ 式中：$ {\varepsilon }^{(l)} $表示第$ l $层的可学习参数，$ {\text{MLP}}^{(l)} $表示第$ l $层的多层感知机。
GAT[2]引入自注意力机制，能显式感知邻居节点的重要性，公式表示为
$$ \boldsymbol{h}_{i}^{(l+1)}=\sum\limits_{j\in \mathcal{N}(i)}\textit{a}_{ij}^{(l)}\cdot {\boldsymbol{W}}^{(l)}\cdot \boldsymbol{h}_{j}^{(l)} $$ $$ {\alpha }_{ij}=\frac{\exp \left(\text{LeakyReLU}({\boldsymbol{a}}^{\text{T}}[\boldsymbol{W}{\boldsymbol{h}}_{i}\| \boldsymbol{W}{\boldsymbol{h}}_{j}])\right)}{\displaystyle \sum\limits_{k\in \mathcal{N}(i)}\exp \left(\text{LeakyReLU}({\boldsymbol{a}}^{\text{T}}[\boldsymbol{W}{\boldsymbol{h}}_{i}\| \boldsymbol{W}{\boldsymbol{h}}_{k}])\right)} $$ 式中：$ \textit{α}_{ij}^{(l)} $表示节点$ i $和其邻居节点$ j $之间的注意力系数，|| 表示向量的连接操作。
每个教师模型生成其特有的节点表示，通过高维图嵌入不仅参与后续蒸馏过程，还能作为学生模型的输入特征之一，从而帮助学生网络更好地继承图结构知识。表1对比了4种GNN教师模型的特性差异。各教师模型分别对输入图数据和节点特征学习生成高维图表示(节点嵌入)和软标签(预测分布)，构成知识蒸馏的监督信号供学生模型学习与预测任务使用。k为采样邻居数，L为网络层数，E为图中边的数量，d为节点特征的维度，V为图中节点的数量。图4为多种GNN教师模型并行训练结构。
表 1 4种GNN特性Table 1 Four GNN Characteristics模型 核心机制 使用场景 计算复杂度 GCN 频谱卷积 同质图 $ O\left(\left| E\right| d\right) $ GAT 注意力聚合 异质关系 $ O\left(\left| V\right| d{^{2}}+\left| E\right| d\right) $ GIN MLP聚合 拓扑结构 $ O\left(\left| L\right| d{^{2}}\right) $ GraphSAGE 邻居采样 大规模图 $ O\left(\left| V\right| kd\right) $ 
图 4 多种GNN教师模型并行训练结构Fig. 4 Parallel training structure of multiple GNN teacher models下载:
全尺寸图片
2.3 动态蒸馏与学生模型模块
不同于传统融合蒸馏(如平均soft label或ensemble)，本文采用多教师独立蒸馏机制，即分别对4种GNN构建独立蒸馏路径，使学生模型能够学习每种结构，感知模型的差异化知识，避免信息冲突与软标签模糊问题。同时引入动态权重融合策略，进一步提升融合学习的自适应性与表达能力。
2.3.1 MLP学生模型(权重自适应)
图神经网络虽然具备强大的拓扑表征能力，但在实际区块链金融风控系统的在线部署中面临2个严峻挑战：一是推理延迟高；二是冷启动与归纳推断困难，当孤立的新交易产生时，GNN往往难以直接处理。为解决上述痛点，本文设计了一种基于动态蒸馏的MLP学生模型，MLP的推理过程不涉及复杂的邻接矩阵乘法操作，能够实现毫秒级的实时在线检测。同时，通过本文设计的动态知识蒸馏机制，MLP在训练阶段能够学习GNN教师模型提取的高阶图结构知识，从而在推理阶段即便脱离图结构输入，依然能保持对网络拓扑的隐含感知能力。在训练的初始阶段，学生模型主要依赖于由图神经网络教师模型提供的软标签进行学习。随着训练的推进，模型逐渐将学习重心转向真实标签，通过一种自适应混合策略实现软硬标签的权重调整。学生模型的损失函数定义为
$$ {L}_{\text{MLP}}(t)=\textit{λ}(t)\cdot \text{CE}(\hat{{\boldsymbol{y}} } ,\boldsymbol{y})+(1-\textit{λ}(t))\cdot \text{KL}(\hat{{\boldsymbol{y}} } ,\boldsymbol{S}) $$ 式中：$\hat{{\boldsymbol{y}} } $表示模型预测的标签分布，y为真实标签，S 为来自多个教师模型融合后的软标签。动态混合系数λ(t)定义为
$$ \textit{λ}(t)=\frac{{\text{e}}^{-\gamma t}}{1+{\text{e}}^{-\gamma t}} $$ 式中：t表示当前训练轮数，γ是控制退火速率的超参数。该函数使得学生模型在训练早期更多依赖教师监督，在后期逐步过渡到真实标签指导，从而有效缓解对噪声软标签的过拟合问题。
MLP 的输入由3类特征拼接组成：
$$ {\boldsymbol{h}}_{t}=\text{concat}({\boldsymbol{Z}}^{k},{\boldsymbol{M}}_{t},{\boldsymbol{T}}_{t}) $$ 式中：Zk表示来自第k个教师模型的图嵌入，Mt为基于motif的结构特征向量，Tt表示时间行为特征向量。
MLP 的输出为一个logits向量：
$$ {{\textit{z}}}_{t}=\text{MLP}({\boldsymbol{h}}_{t}) $$ 为了获得最终的类别概率分布，本文对 logits 向量应用Softmax函数：
$$ {{\hat{\boldsymbol{y}}}}_{t,i}=\frac{\exp ({\boldsymbol{z}}_{t,i})}{\displaystyle \sum\limits_{j=1}^{C}\exp ({\boldsymbol{z}}_{t,j})} $$ 式中：C表示类别总数，$ {{\hat{\boldsymbol{y}}}}_{t}=\text{Softmax}\left({\boldsymbol{Z}}_{t}\right) $表示模型预测的类别概率分布向量。
2.3.2 RF学生模型(软标签增强)
本文还设计了一个基于随机森林的学生模型。将教师模型输出的软标签作为输入增强特征。该模型训练快速，适合对比分析。随机森林由多个决策树组成，模型对输入特征$ {\boldsymbol{h}}_{v}\in {\mathbb{R}}^{{{d}^{\prime}}} $执行多数投票预测：
$$ {\boldsymbol{y}}_{\text{pred}}=\mathrm{mode}\left(\left\{{T}_{b}\left(\boldsymbol{X}\right)\right\}_{b=1}^{B}\right) $$ 式中：$ {T}_{b} $表示第b棵决策树，B是森林中的树数量。每棵树基于Bootstrap样本训练，并通过Gini指数或信息增益构建划分。训练过程中学生模型接收教师输出的软标签作为伪标签。RF学生模型训练时优化的目标为软标签拟合精度为
$$ {L}_{{\mathrm{RF}}}=\sum\limits_{i=1}^{N}{\mathrm{CE}}({{\boldsymbol{y}}}_{i},{\hat{{\boldsymbol{y}}}_{i}}) $$ 式中：$ {\boldsymbol{y}}_{i}\text{} $是教师网络输出的软标签，$ {\hat{\boldsymbol{y}}_{{i}}} $是RF模型对第i个样本的预测结果。
2.4 鲁棒训练策略模块
区块链交易图常伴随结构噪声与类别极度不平衡问题，为此本文引入DropEdge与SMOTE 2种机制提升训练鲁棒性。
2.4.1 DropEdge策略
本文在图结构建模中引入DropEdge策略，随机丢弃部分边，以提升模型的泛化能力与结构鲁棒性，如图5所示。
图 5 DropEdge鲁棒增强示意Fig. 5 Schematic of DropEdge robust enhancement下载:
全尺寸图片
该方法能有效缓解图结构对异常噪声的过度依赖，使GNN模型在邻接结构变化或部分缺失时仍保持稳定分类性能，特别适用于区块链异常交易检测中“结构攻击”频发的高风险环境。为提升模型的泛化能力，本文在图神经网络训练阶段加入DropEdge策略，即每一轮训练随机丢弃一定比例的图边：
$$ {E}^{\prime}=\{(u,v)\in E\mid \text{rand}(u,v) \gt p\} $$ 式中p为边丢弃率(例如20%)，DropEdge能有效避免过拟合邻居结构，特别有助于GCN与GAT等邻居敏感模型的鲁棒性。
2.4.2 SMOTE过采样
在样本层面，使用SMOTE算法对少数类样本进行过采样，构造合理的合成异常样本，缓解类别分布倾斜问题，提升模型在异常类别上的识别能力。
3. 实验设置
3.1 实验环境与平台
为保证实验的稳定性与结果的可重复性，所有实验均在统一软硬件环境下进行，并固定随机种子。具体环境配置如下：实验平台操作系统为Ubuntu 18.04，开发语言为Python 3.8.17，深度学习框架采用PyTorch1.12，并结合CUDA 11.8实现GPU加速计算。硬件配置方面，使用Intel(R) Core(TM) i7-9700处理器，搭载GeForce RTX 2080 Ti图形处理单元(显存 10 GB)，系统内存为32 GB。该配置为图神经网络等复杂模型的训练与评估提供了充足的计算支持和运行效率保障。
3.2 数据集介绍
本研究采用由Elliptic公司提供的Elliptic Dataset，该数据集因其高质量标注与真实的区块链交易结构，成为当前区块链异常交易检测研究的权威数据集。该数据集广泛用于区块链交易追踪与金融风控领域，主要包含3个部分。1) elliptic_txs_features.csv：包含每笔交易的166维基础特征；2) elliptic_txs_edgelist.csv：区块链交易之间的有向图结构边列表；3) elliptic_txs_classes.csv：每笔交易的标签，分为合法(legal)、非法(illegal)与未知(unknown)。数据的整体统计信息如表2所示。
表 2 Elliptic数据集基本统计信息Table 2 Basic statistical information of the elliptic dataset类型 数量/条 总交易数 203 769 合法交易数 144 364 非法交易数 21 030 未知标签交易数 38 375 总边数(交易图) 234 355 考虑到区块链系统中的时间演化特性及模型在金融交易中的时序泛化能力，本文将第1~34周的交易作为训练集，第35~49周的交易作为测试集，从而覆盖一个完整的交易周期，并模拟现实业务场景中的时序漂移问题。
3.3 评价指标
为全面评估模型在区块链异常交易检测任务中的性能，考虑到本文的区块链异常交易检测的目的是区分正常交易和异常交易，因此采用常用的二分类评估指标，包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)与F1值(F1-score, F1)。在区块链交易场景中，由于正常交易远多于非法交易，数据存在严重类别不平衡问题，此时仅使用准确率无法全面反映模型性能。因此，精确率、召回率与F1在评估模型对非法交易识别能力方面尤为重要，能够更客观、真实地反映模型在异常检测任务中的实用价值。
4. 实验分析
4.1 不同教师网络的对比效果
为评估不同GNN教师模型在动态知识蒸馏框架中的教学效能，本文选取4种GNN典型架构，分别与RF和MLP学生模型组合测试，比较其在区块链异常交易检测任务中的性能表现。实验结果如表3所示。
表 3 不同教师网络的对比效果Table 3 Comparison effects of different teacher networks% 教师模型 学生模型 Accuracy Precision Recall F1 GraphSAGE RF 99.28 99.56 99.01 99.28 GraphSAGE MLP 98.27 97.67 98.89 98.27 GIN RF 99.30 99.55 99.05 99.35 GIN MLP 98.14 97.57 98.74 98.15 GAT RF 99.35 99.58 99.04 99.35 GAT MLP 98.30 97.75 98.92 98.31 GCN RF 99.41 99.71 99.10 99.38 GCN MLP 98.02 97.46 98.62 98.03 注：表中各值为每类模型的平均值，保留两位小数。 实验结果表明，基于RF的学生模型在所有教师架构下均显著优于MLP学生模型，其平均F1提高了1.13百分点，说明RF更具备学习GNN教师模型复杂决策边界的能力。在不同教师网络的比较中，传统GCN架构展现出优越的教学能力(F1=99.38%)，优于GAT、GIN与GraphSAGE。可能是由于GCN通过对称归一化拉普拉斯矩阵进行特征传播，较好地保留了交易图中的同质结构信息，适用于具有稠密连接与均匀关系的金融交易图。相比之下，GAT引入注意力机制虽在小样本异质图中有效，但可能由于本研究中的边权重分布相对集中，其注意力机制的辨别能力未能充分发挥，最终F1略逊于GCN(99.35%vs.99.38%)。GIN理论上表达能力最强，但在本数据集上存在一定过拟合倾向，导致蒸馏效果未达到预期。
综上，实验表明，针对不同的特征或功能需求，各类教师模型展现出互补的教学优势：GCN结构平滑，在同质化交易图中表现优异；GAT善于捕捉异质图中的关键关系；GIN则在复杂结构判别任务中潜力显著。因此，在实际应用中结合具体的数据特征与任务目标灵活选配教师模型，可以充分发挥其结构特性优势。
4.2 与经典模型的对比结果
为进一步验证所提出方法的有效性，本文选取在前节中表现最佳的GCN-RF组合(记为MGDD(RF))作为代表模型，GCN-MLP组合(记为MGDD(MLP))作为辅助代表模型，与传统机器学习方法、深度学习模型、原始图神经网络模型及相关文献方法进行对比分析，包括KNN(K-nearest neighbors) [23]、LSTM(long short-term memory) [24]、GNB(Gaussian naive bayes) [24]、SVM[25]、MLP[26]、LR(logistic regression) [26]、GAT[2]、GCN[1]、GIN[22]和GraphSAGE [3]。对比结果如表4所示。
表 4 本方法与经典模型不同指标对比Table 4 Comparison of different indicators between this method and the classical model% 模型 Accuracy Precision Recall F1 KNN[23] 91.91 58.63 55.17 56.85 LSTM[27] 97.70 88.86 87.71 88.28 GNB[24] 64.26 21.20 97.95 34.86 SVM[28] 91.27 54.57 57.06 55.79 MLP[25] 97.84 89.51 88.20 88.85 LR[26] 96.12 84.16 82.72 83.43 GAT[2] 91.80 67.10 33.62 44.80 GCN[1] 92.23 83.52 26.75 40.53 GIN[22] 90.01 16.67 0.22 0.43 SAGE[3] 95.10 83.37 63.05 71.80 MGDD(RF) 99.41 99.71 99.10 99.38 MGDD(MLP) 98.02 97.46 98.62 98.03 从表4看出，本文提出的MGDD(RF)模型在所有评估指标上均显著优于现有方法，F1达到99.38%，准确率达99.41%，全面超越包括LSTM、MLP、SVM等主流检测方法。其中，传统机器学习方法普遍面临精度与召回率的失衡问题。例如，SVM虽在准确率上达到91.27%，但F1仅为55.79%；高偏差模型如高斯朴素贝叶斯(GNB)表现更为极端，召回率虽接近98%，但精度不足22%，导致F1跌至34.86%。
为了直观展示本方法与经典模型在不同指标上的表现差异，图6绘制了不同异常检测方法的召回率与精度对比雷达图。从图6可以看出，深度学习方法中，表现最好的LSTM模型F1为88.28%，但在非法交易识别(即Recall)上仍逊色于MGDD提出的蒸馏机制(提升了10.9百分点)。此外，原始GNN模型(GCN、GAT、GIN)在未引入样本增强和蒸馏机制的情况下，召回率均低于35%，验证了直接在极度不平衡的原始图上训练GNN存在严重性能瓶颈。MGDD框架动态知识蒸馏不仅提升模型性能，更具备良好的模型压缩与泛化能力，为金融风控系统提供了更可行的部署路径。
图 6 不同异常检测方法的召回率与精度对比雷达图Fig. 6 Radar chart comparing the recall rate and accuracy of different anomaly detection methods下载:
全尺寸图片
4.3 与现有文献典型方法的对比分析
为全面验证MGDD框架的先进性，本文选取近年来具有代表性的欺诈检测方法进行对比，包括特征增强型(MFF(multi-feature fusion) [29])、重采样型(RRUF(robust resampling for unbalanced fraud detection)[11])、图结构建模型(GAS(graph attention-based fraud detection with structure learning)[30]、PBO(probabilistic bayesian optimization for graph construction)[10])等。对比结果如表5所示。
表 5 与其他文献不同指标对比Table 5 Comparison with other literature metrics% 模型 Accuracy Precision Recall F1 MFF — 92.96 85.00 92.43 RRUF 97.86 94.59 71.10 90.02 GAS 98.11 94.01 85.48 89.54 PBO — 98.50 66.00 79.00 MGDD(RF) 99.41 99.71 99.10 99.38 MGDD(MLP) 98.02 97.46 98.62 98.03 从表5中可以看出，MGDD(RF)在F1、Precision和Recall 3项指标上显著优于现有方法。与最优文献方法MFF相比，MGDD(RF)的F1提升了6.95百分点，Precision达到99.71%，Recall达到99.10%，均达到了新的高度。此外，MGDD(RF)的Recall与Precision差值仅为0.61百分点，远优于GAS(差值为8.53)，表明其在精度与召回率之间实现了高度均衡。特征增强型的MFF依赖人工特征，Recall表现(85.00%)较低，难以覆盖隐匿性强的欺诈行为。重采样型的RRUF通过欠采样提高Precision(94.59%)，但Recall降至71.10%，F1受限。
图7为现有文献方法与MGDD各指标对比柱状图。可以看出，像GAS、PBO这样的图结构型方法注重局部图特征，缺乏全局建模能力，整体判别能力偏弱。相比之下，MGDD框架通过多层次图卷积与特征重组机制，融合局部结构感知与全局分布平衡，实现了协同优化策略。这表明了图数据蒸馏与特征增强联合建模在金融欺诈检测中的有效性。
图 7 现有文献方法与MGDD各指标对比Fig. 7 Comparison of MGDD with literature methods下载:
全尺寸图片
4.4 模块消融实验
为了更清楚地了解MGDD框架中各个关键模块的实际作用，本文设计了一组模块消融实验。本文选取了3组具有代表性的“教师−学生”模型组合，分别承担不同的评估任务：GCN-RF作为主对照组，因其最优的综合性能(F1为99.38%)和稳定性，用于验证SMOTE、DropEdge等通用模块的普适性。GAT-MLP作为敏感性测试模块，利用MLP对参数变化的高敏感性以及GAT对图拓扑特征的强处理能力，可高效分析motif模块、时间特征、图结构扰动等因素对模型判别能力的微调影响。GIN-RF作为极端兼容组，GIN模型在训练中具有一定过拟合倾向，而RF具备强表征吸收能力，该组合用于评估MGDD框架在“结构异常”教师网络下的鲁棒性与泛化能力。
在具体操作上，本文采用控制变量的方法，依次移除或替换以下模块来观察性能变化：SMOTE过采样(用于解决样本不平衡)、DropEdge正则化(用于增强模型的鲁棒性)以及知识蒸馏机制(把教师模型的知识传给学生模型)。所有实验都使用相同的数据划分、图构建方法、随机种子和超参数，保证结果公平、可比、可复现。
4.4.1 SMOTE对不平衡样本的缓解效果
Elliptic数据集中存在严重的类别不平衡，非法交易仅占少数。为增强少数类样本的代表性，本文在训练集中引入SMOTE过采样，并评估其对学生模型性能的影响。实验结果如表6所示。
表 6 SMOTE对不平衡样本的缓解效果Table 6 SMOTE's effect on imbalanced data% 模型 有无SMOTE Accuracy Precision Recall F1 GCN-RF 有 99.41 99.71 99.10 99.38 GCN-RF 无 98.36 98.57 84.67 91.09 GAT-MLP 有 98.3 97.75 98.92 98.31 GAT-MLP 无 97.56 91.09 83.51 89.14 GIN-RF 有 99.30 99.55 99.05 99.35 GIN-RF 无 98.46 99.66 84.74 91.60 SMOTE显著提升了所有模型的性能，尤其在召回率(Recall)方面表现突出。例如，GCN-RF组合在引入SMOTE后，Recall从84.67%提升至99.10%，提升了14.43百分点。同时，Precision也从98.57%提升至99.71%，未出现传统过采样方法中常见的“精度下降”现象。这表明，得益于图结构信息的引导，SMOTE并未引入过多噪声或冗余样本，而是有效增强了决策边界附近的非法交易表示，从而在提升召回率的同时保持甚至提升了判别精度。
其他模型组合，如GAT-MLP和GIN-RF，也表现出相似的趋势。GAT-MLP的F1从89.14%提升至98.31%，而GIN-RF在原本性能已较强的基础上，将F1提升至99.35%。尽管GIN-RF的Precision轻微下降(从99.66%降至99.55%)，但Recall的大幅提升(从84.74%至99.05%)使其综合性能显著改善，F1分数提升了近8百分点。
SMOTE消融实验结果对比如图8所示，采用了SMOTE的模型各指标得分都远远高于未使用的。这表明SMOTE不仅显著提升了非法交易的识别能力，还有效避免了过拟合或性能下降等风险。结合图结构进行过采样，使得生成样本更贴近原始分布，有助于维持类间边界的几何一致性。该实验充分验证了SMOTE作为本框架中关键模块之一，在应对极端不平衡图数据时的有效性与通用性。
图 8 SMOTE 消融实验结果对比Fig. 8 Comparison of the results of the SMOTE ablation experiment下载:
全尺寸图片
4.4.2 DropEdge对教师模型鲁棒性的影响
DropEdge是一种结构正则化策略，在训练时随机丢弃图中的边，有助于提升模型对结构噪声的鲁棒性。如表7所示，DropEdge技术对模型性能的影响呈现显著架构依赖性。在GCN-RF组合中，启用DropEdge带来F1的微小提升(从99.36%提升到99.38%)，同时Recall提高0.05百分点(从99.05%提升到99.10%)，表明边丢弃策略增强了模型对少数类样本的识别能力。值得注意的是，GAT-MLP组合受益更为明显，F1提升了0.42百分点，其中Recall增长0.42百分点，验证了DropEdge对注意力机制模型的特殊价值。然而，GIN-RF组合出现反直觉现象：禁用DropEdge时F1反而更高(99.48%vs.99.35%)。这种差异可能源于GIN的消息传递机制与边丢弃策略的互斥性——Weisfeiler-Lehman测试依赖完整的邻域结构，随机删边会破坏其同构性判断。
表 7 DropEdge对教师模型鲁棒性的影响Table 7 DropEdge’s impact on teacher model robustness% 模型 有无
DropEdgeAccuracy Precision Recall F1 GCN-RF 有 99.41 99.71 99.10 99.38 GCN-RF 无 99.40 99.80 99.05 99.36 GAT-MLP 有 98.3 97.75 98.92 98.31 GAT-MLP 无 97.85 97.21 98.50 97.89 GIN-RF 有 99.30 99.55 99.05 99.35 GIN-RF 无 99.4 99.82 98.98 99.48 对比3组实验可得出重要结论：1)对基于注意力的GAT-MLP，推荐默认启用p=0.3(该值通过网格搜索确定为最适边丢弃)的DropEdge。2)对GIN架构建议关闭DropEdge或降低丢弃率。3) GCN-RF可灵活选择，边际收益与计算成本需权衡。
4.4.3 知识蒸馏对学生模型性能的影响
为评估知识蒸馏(通过软标签)对学生模型性能的提升效果，本文设计了对比实验，将仅使用硬标签训练的学生模型与引入教师软标签(soft label)的完整蒸馏版本进行性能比较，结果如表8所示。
表 8 知识蒸馏对学生模型性能的影响Table 8 Knowledge distillation's impact on student model performance% 学生模型 Accuracy Precision Recall F1 去掉教师概率的RF 96.12 84.16 82.72 83.43 仅使用硬标签的
GCN-MLP97.76 96.92 98.66 97.78 完整的GCN-RF 99.41 99.71 99.10 99.38 完整的GCN-MLP 98.02 97.46 98.62 98.03 在MLP学生模型中，本文将原有的动态蒸馏策略替换为静态机制，即移除α的自适应调节过程，采用固定蒸馏权重，如α=0.7(α = 0.7作为一个经过验证的固定值，能够在大多数情况下提供较好的结果)，以测试权重调控对模型性能的影响。对于RF学生模型，其蒸馏机制体现为将教师输出的概率分布拼接进输入特征，若去除此部分，则构成无知识蒸馏的对照模型。
实验结果表明，在无教师指导的情况下，RF学生模型的F1仅为83.43%，而引入教师软标签后，GCN-RF模型达到99.38%，显示出软标签在提升分类边界判别力和特征表达能力方面具有决定性作用。相比之下，GCN-MLP即使不引入蒸馏，也能取得97.78%的F1，性能下降相对较缓，说明其对蒸馏的依赖性较低。然而，在引入软标签后仍获得0.25百分点的提升，验证了软标签带来的泛化能力增强。图9给出了知识蒸馏对学生模型性能结果对比。
图 9 知识蒸馏对学生模型性能结果对比Fig. 9 Comparison of the performance results of student models by knowledge distillation下载:
全尺寸图片
对比表4与表8可知：经过GCN软标签指导的RF，其性能产生了大幅提升，出现这种现象的原因在于特征学习空间的强正交互补性与软标签蕴含的暗知识。RF作为强大的非线性集成分类器，在接收了自身原始特征与GCN的软标签后，实际上完成了拓扑警示信号与局部统计规律的特征级深度融合。GCN补齐了RF缺失的全局结构感知，RF则修正了GCN在不平衡数据上的分类阈值偏移。从而使这种机制打破了单个模型的性能瓶颈，证明了MGDD框架中异构知识蒸馏设计的科学性与必要性。
综上所述，知识蒸馏不仅在整体上提升了学生模型的准确率与泛化能力，尤其对基于树的随机森林模型表现出更强的适应性与依赖性。实验验证了软标签与结构指导之间的协同增强作用，有效提升了学生模型的学习能力与决策鲁棒性。
4.5 鲁棒性测试
为进一步验证模型是否真正从图结构和时间演化中学习到了识别异常交易的能力，而非依赖标签分布中的潜在偏置，本文设计了该消融实验。具体做法是在保持图结构和节点特征不变的前提下，随机打乱训练集中样本的标签顺序，从而人为破坏原始标签与图结构及时间特征之间的关联性，以测试模型在缺乏语义监督时的表现能力。实验结果如表9所示。
表 9 标签打乱消融实验结果Table 9 Results of the label shuffling ablation experiment% 学生模型 是否打乱
标签顺序Accuracy Precision Recall F1 GCN-RF 是 50.20 50.11 48.68 49.38 GCN-RF 否 99.41 99.71 99.10 99.38 GCN-MLP 是 59.82 56.83 81.09 66.82 GCN-MLP 否 98.02 97.46 98.62 98.03 在打乱标签之后，所有模型的分类性能均显著下降，Accuracy和F1接近50%，表现与随机猜测相当，说明模型在正常训练条件下确实能够从结构与时序信息中学习到具有判别力的特征。其中，RF学生模型对标签打乱更为敏感，在标签扰动后准确率下降至50.20%，召回率仅为48.68%，几乎完全丧失分类能力；相比之下，MLP学生模型在相同条件下仍保留部分判别能力(如F1为66.82%)，表明其在特征表达空间中具备更强的非结构化泛化能力。
根据实验数据，绘制了图10鲁棒性测试结果图，图中也可以看出，该消融实验充分验证了本文方法并非依赖训练标签的分布模式进行“记忆式拟合”，而是通过图神经网络对图结构与时序演化规律的有效建模，实现了对异常交易行为的深层判别。这也进一步凸显了所提方法在区块链异常交易检测任务中的泛化能力与鲁棒性优势。
图 10 鲁棒性测试结果Fig. 10 Results of robustness tests下载:
全尺寸图片
5. 结束语
本文提出了一种基于多教师独立蒸馏的区块链异常交易检测方法——MGDD。该方法综合引入图结构特征(如motif模式)用于结构增强，同时采用SMOTE过采样技术有效缓解了区块链交易数据中的类别不平衡问题，在多个评估指标上显著优于传统方法。实验结果表明，基于异构GNN教师网络(GCN、GAT、GIN、GraphSAGE)的多教师架构能够从不同角度全面提取交易图中的高阶结构信息；此外，本文设计了2个学生模型进行独立学习，并通过蒸馏策略显著提升了它们的检测性能与泛化能力，尤其是RF模型，在蒸馏引导下准确率达到99.41%。motif特征与SMOTE采样的结合进一步增强了模型面对不平衡数据时的鲁棒性和稳定性，验证了其在区块链异常交易检测任务中的有效性和实用价值。
尽管取得了良好效果，本研究仍存在提升空间。未来工作拟在MGDD框架中引入超图(Hypergraph)结构对复杂交易进行原生建模，并探索使用超图上的随机游走算法(hypergraph random walk)进行先期特征提取，以期更精准地发现跨长周期的、隐蔽的大规模协同异常交易行为，进一步增强模型在未知真实场景下的泛化与检测能力；同时，可结合跨图迁移学习和联邦蒸馏技术，提升模型在跨链环境下的泛化能力和隐私保护能力，从而拓展其在更复杂、动态及隐私敏感区块链场景中的应用潜力。
-
图 1 MGDD框架
Fig. 1 Framework of MGDD
下载:
全尺寸图片
图 2 motif结构特征
Fig. 2 motif structure feature
下载:
全尺寸图片
图 3 时间特征构建示意
Fig. 3 Schematic of time feature construction
下载:
全尺寸图片
图 4 多种GNN教师模型并行训练结构
Fig. 4 Parallel training structure of multiple GNN teacher models
下载:
全尺寸图片
图 5 DropEdge鲁棒增强示意
Fig. 5 Schematic of DropEdge robust enhancement
下载:
全尺寸图片
图 6 不同异常检测方法的召回率与精度对比雷达图
Fig. 6 Radar chart comparing the recall rate and accuracy of different anomaly detection methods
下载:
全尺寸图片
图 7 现有文献方法与MGDD各指标对比
Fig. 7 Comparison of MGDD with literature methods
下载:
全尺寸图片
图 8 SMOTE 消融实验结果对比
Fig. 8 Comparison of the results of the SMOTE ablation experiment
下载:
全尺寸图片
图 9 知识蒸馏对学生模型性能结果对比
Fig. 9 Comparison of the performance results of student models by knowledge distillation
下载:
全尺寸图片
图 10 鲁棒性测试结果
Fig. 10 Results of robustness tests
下载:
全尺寸图片
表 1 4种GNN特性
Table 1 Four GNN Characteristics
模型 核心机制 使用场景 计算复杂度 GCN 频谱卷积 同质图 $ O\left(\left| E\right| d\right) $ GAT 注意力聚合 异质关系 $ O\left(\left| V\right| d{^{2}}+\left| E\right| d\right) $ GIN MLP聚合 拓扑结构 $ O\left(\left| L\right| d{^{2}}\right) $ GraphSAGE 邻居采样 大规模图 $ O\left(\left| V\right| kd\right) $ 表 2 Elliptic数据集基本统计信息
Table 2 Basic statistical information of the elliptic dataset
类型 数量/条 总交易数 203 769 合法交易数 144 364 非法交易数 21 030 未知标签交易数 38 375 总边数(交易图) 234 355 表 3 不同教师网络的对比效果
Table 3 Comparison effects of different teacher networks
% 教师模型 学生模型 Accuracy Precision Recall F1 GraphSAGE RF 99.28 99.56 99.01 99.28 GraphSAGE MLP 98.27 97.67 98.89 98.27 GIN RF 99.30 99.55 99.05 99.35 GIN MLP 98.14 97.57 98.74 98.15 GAT RF 99.35 99.58 99.04 99.35 GAT MLP 98.30 97.75 98.92 98.31 GCN RF 99.41 99.71 99.10 99.38 GCN MLP 98.02 97.46 98.62 98.03 注：表中各值为每类模型的平均值，保留两位小数。 表 4 本方法与经典模型不同指标对比
Table 4 Comparison of different indicators between this method and the classical model
% 模型 Accuracy Precision Recall F1 KNN[23] 91.91 58.63 55.17 56.85 LSTM[27] 97.70 88.86 87.71 88.28 GNB[24] 64.26 21.20 97.95 34.86 SVM[28] 91.27 54.57 57.06 55.79 MLP[25] 97.84 89.51 88.20 88.85 LR[26] 96.12 84.16 82.72 83.43 GAT[2] 91.80 67.10 33.62 44.80 GCN[1] 92.23 83.52 26.75 40.53 GIN[22] 90.01 16.67 0.22 0.43 SAGE[3] 95.10 83.37 63.05 71.80 MGDD(RF) 99.41 99.71 99.10 99.38 MGDD(MLP) 98.02 97.46 98.62 98.03 表 5 与其他文献不同指标对比
Table 5 Comparison with other literature metrics
% 模型 Accuracy Precision Recall F1 MFF — 92.96 85.00 92.43 RRUF 97.86 94.59 71.10 90.02 GAS 98.11 94.01 85.48 89.54 PBO — 98.50 66.00 79.00 MGDD(RF) 99.41 99.71 99.10 99.38 MGDD(MLP) 98.02 97.46 98.62 98.03 表 6 SMOTE对不平衡样本的缓解效果
Table 6 SMOTE's effect on imbalanced data
% 模型 有无SMOTE Accuracy Precision Recall F1 GCN-RF 有 99.41 99.71 99.10 99.38 GCN-RF 无 98.36 98.57 84.67 91.09 GAT-MLP 有 98.3 97.75 98.92 98.31 GAT-MLP 无 97.56 91.09 83.51 89.14 GIN-RF 有 99.30 99.55 99.05 99.35 GIN-RF 无 98.46 99.66 84.74 91.60 表 7 DropEdge对教师模型鲁棒性的影响
Table 7 DropEdge’s impact on teacher model robustness
% 模型 有无
DropEdgeAccuracy Precision Recall F1 GCN-RF 有 99.41 99.71 99.10 99.38 GCN-RF 无 99.40 99.80 99.05 99.36 GAT-MLP 有 98.3 97.75 98.92 98.31 GAT-MLP 无 97.85 97.21 98.50 97.89 GIN-RF 有 99.30 99.55 99.05 99.35 GIN-RF 无 99.4 99.82 98.98 99.48 表 8 知识蒸馏对学生模型性能的影响
Table 8 Knowledge distillation's impact on student model performance
% 学生模型 Accuracy Precision Recall F1 去掉教师概率的RF 96.12 84.16 82.72 83.43 仅使用硬标签的
GCN-MLP97.76 96.92 98.66 97.78 完整的GCN-RF 99.41 99.71 99.10 99.38 完整的GCN-MLP 98.02 97.46 98.62 98.03 表 9 标签打乱消融实验结果
Table 9 Results of the label shuffling ablation experiment
% 学生模型 是否打乱
标签顺序Accuracy Precision Recall F1 GCN-RF 是 50.20 50.11 48.68 49.38 GCN-RF 否 99.41 99.71 99.10 99.38 GCN-MLP 是 59.82 56.83 81.09 66.82 GCN-MLP 否 98.02 97.46 98.62 98.03 -
[1] KIPF T N, WELLING M. Semi-supervised classification with graph convolutional networks[EB/OL]. (2016−09−09)[2025−10−08]. https://arxiv.org/abs/1609.02907. [2] VELIČKOVIĆ P, CUCURULL G, CASANOVA A, et al. Graph attention networks[EB/OL]. (2017−10−30)[2025−10−08]. https://arxiv.org/abs/1710.10903. [3] HAMILTON W L, YING R, LESKOVEC J. Inductive representation learning on large graphs[EB/OL]. (2017−06−07)[2025−10−08]. https://arxiv.org/abs/1706.02216. [4] WEBER M, DOMENICONI G, CHEN Jie, et al. Anti-money laundering in Bitcoin: experimenting with graph convolutional networks for financial forensics[EB/OL]. (2019−08−31)[2025−10−08]. https://arxiv.org/abs/1908.02591. [5] JULLUM M, LØLAND A, HUSEBY R B, et al. Detecting money laundering transactions with machine learning[J]. Journal of money laundering control, 2020, 23(1): 173−186. doi: 10.1108/JMLC-07-2019-0055 [6] PINNA A, TONELLI R, ORRÚ M, et al. A Petri nets model for blockchain analysis[J]. The computer journal, 2018, 61(9): 1374−1388. doi: 10.1093/comjnl/bxy001 [7] ANDROULAKI E, KARAME G O, ROESCHLIN M, et al. Evaluating user privacy in bitcoin[C]//International Conference on Financial Cryptography and Data Security. Berlin: Springer Berlin Heidelberg, 2013: 34−51. [8] FARRUGIA S, ELLUL J, AZZOPARDI G. Detection of illicit accounts over the Ethereum blockchain[J]. Expert systems with applications, 2020, 150: 113318. doi: 10.1016/j.eswa.2020.113318 [9] IBRAHIM R F, MOHAMMAD ELIAN A, ABABNEH M. Illicit account detection in the ethereum blockchain using machine learning[C]//2021 International Conference on Information Technology. Amman: IEEE, 2021: 488−493. [10] 王栋, 李达, 王合建. 基于深度PCA与贝叶斯优化的区块链异常交易检测[J]. 南方电网技术, 2024, 18(9): 78−87, 105. doi: 10.13648/j.cnki.issn1674-0629.2024.09.009 WANG Dong, LI Da, WANG Hejian. Blockchain abnormal transaction detection based on deep PCA and Bayesian optimization[J]. Southern power system technology, 2024, 18(9): 78−87, 105. doi: 10.13648/j.cnki.issn1674-0629.2024.09.009 [11] 朱会娟, 陈锦富, 李致远, 等. 基于多特征自适应融合的区块链异常交易检测方法[J]. 通信学报, 2021, 42(5): 41−50. doi: 10.11959/j.issn.1000-436x.2021030 ZHU Huijuan, CHEN Jinfu, LI Zhiyuan, et al. Block-chain abnormal transaction detection method based on adaptive multi-feature fusion[J]. Journal on communications, 2021, 42(5): 41−50. doi: 10.11959/j.issn.1000-436x.2021030 [12] CAI Jiahong, LIANG Wei, LI Xiong, et al. GTxChain: a secure IoT smart blockchain architecture based on graph neural network[J]. IEEE Internet of Things journal, 2023, 10(24): 21502−21514. doi: 10.1109/JIOT.2023.3296469 [13] POURSAFAEI F, HAMAD G B, ZILIC Z. Detecting malicious ethereum entities via application of machine learning classification[C]//2020 2nd Conference on Blockchain Research & Applications for Innovative Networks and Services. Paris: IEEE, 2020: 120−127. [14] NERURKAR P. Illegal activity detection on Bitcoin transaction using deep learning[J]. Soft computing, 2023, 27(9): 5503−5520. doi: 10.1007/s00500-022-07779-1 [15] CHEN Weili, GUO Xiongfeng, CHEN Zhiguang, et al. Phishing scam detection on ethereum: towards financial security for blockchain ecosystem[C]//Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence. Yokohama: IJCAI, 2020: 4506−4512. [16] JOURDAN M, BLANDIN S, WYNTER L, et al. Characterizing entities in the Bitcoin blockchain[EB/OL]. (2018−10−29)[2025−10−08]. https://arxiv.org/abs/1810.11956. [17] RONG Yu, HUANG Wenbing, XU Tingyang, et al. DropEdge: towards deep graph convolutional networks on node classification[C]//International Conference on Learning Representations. New Orleans: OpenReview. net, 2019: 1−18. [18] TIAN Yijun, PEI Shichao, ZHANG Xiangliang, et al. Knowledge distillation on graphs: a survey[J]. ACM computing surveys, 2025, 57(8): 1−16. [19] YANG Yiding, QIU Jiayan, SONG Mingli, et al. Distilling knowledge from graph convolutional networks[EB/OL]. (2020−03−23)[2025−10−08]. https://arxiv.org/abs/2003.10477. [20] ZHOU Sheng, WANG Yucheng, CHEN Defang, et al. Distilling holistic knowledge with graph neural networks[EB/OL]. (2021−08−12)[2025−10−08]. https://arxiv.org/abs/2108.05507. [21] ZHANG Liying, SUN Haihang. ESA-GCN: an enhanced graph-based node classification method for class imbalance using ENN-SMOTE sampling and an attention mechanism[J]. Applied sciences, 2024, 14(1): 111. doi: 10.3390/app14010111 [22] XU Keyulu, HU Weihua, LESKOVEC J, et al. How powerful are graph neural networks?[EB/OL]. (2018−10−01)[2025−10−08]. https://arxiv.org/abs/1810.00826. [23] FIX E, HODGES J L. Discriminatory analysis. nonparametric discrimination: consistency properties[J]. Revue internationale de statistique, 1989, 57(3): 238. doi: 10.1037/e471672008-001 [24] DUDA R O, HART P E, STORK D G. Pattern Classification[M]. 2nd ed. New York: Wiley, 2001. [25] RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533−536. doi: 10.1038/323533a0 [26] COX D R. The regression analysis of binary sequences[J]. Journal of the royal statistical society series B (methodological), 1958, 20(2): 215−242. doi: 10.1111/j.2517-6161.1958.tb00292.x [27] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural computation, 1997, 9(8): 1735−1780. doi: 10.1162/neco.1997.9.8.1735 [28] CORTES C, VAPNIK V. Support-vector networks[J]. Machine learning, 1995, 20(3): 273−297. doi: 10.1023/A:1022627411411 [29] 林伟. 基于多特征融合的区块链异常交易检测[J]. 信息网络安全, 2022, 22(10): 24−30. LIN Wei. Detection of abnormal transactions in blockchain based on multi feature fusion[J]. Netinfo security, 2022, 22(10): 24−30. [30] 谭朋柳, 周叶. 基于GAT与SVM的区块链异常交易检测[J]. 计算机应用研究, 2024, 41(1): 21−25,31. TAN Pengliu, ZHOU Ye. Blockchain anomaly transaction detection based on GAT and SVM[J]. Application research of computers, 2024, 41(1): 21−25,31.
