Die dezentrale und anonyme Natur der Blockchain-Technologie hat das Wachstum der digitalen Wirtschaft vorangetrieben, während sie neue Herausforderungen bei der Erkennung anomal ablaufender Transaktionen einführt. Dieses Papier überprüft systematisch die neuesten Fortschritte in auf Deep Learning basierenden Methoden zur Identifizierung anomal ablaufender Transaktionen in Blockchain. Es analysiert die Haupttypen blockchain-basierter anomal ablaufender Transaktionen und deren Risiken und hebt die Einschränkungen traditioneller Erkennungsmethoden beim Umgang mit hochdimensionalen, nichtlinearen Transaktionsdaten hervor. Darüber hinaus bietet diese Untersuchung eine detaillierte Einführung in sechs Hauptkategorien von Deep Learning-Ansätzen: graphenbasierte neuronale Netzwerk-Methoden, die Transaktionsnetzwerk-Topologien effektiv modellieren; Autoencoder-basierte Methoden, die Anomalien durch Rekonstruktionsfehler identifizieren; generative gegnerische Netzwerke, die Probleme mit Datenungleichgewicht mildern; Aufmerksamkeitsmechanismen, die in der Lage sind, kritische Transaktionsmerkmale zu erfassen; zeitliche Modelle, die sich zur Analyse von Transaktionszeitmustern eignen; und Methoden zur Fusion mehrerer Merkmale, die die Erkennungsumfänglichkeit verbessern. Für jede Art von Methode fasst dieses Papier die repräsentativen Forschungsleistungen und deren Leistung zusammen, erörtert die wichtigsten Herausforderungen, mit denen die aktuelle Forschung konfrontiert ist, und schlägt zukünftige Forschungsrichtungen vor.
Qian Fan (Di,) hat diese Frage untersucht.