Detecting Financial Bots on the Ethereum Blockchain

要約

分散台帳テクノロジー (DLT) へのボットの統合により、効率と自動化が促進されます。
ただし、それらの使用は略奪的な取引や市場操作にも関連しており、システムの完全性に対する脅威となる可能性があります。
したがって、DLT でのボット導入の範囲を理解することが不可欠です。
それにもかかわらず、現在の検出システムは主にルールベースであり、柔軟性に欠けています。
この研究では、イーサリアム プラットフォーム上の金融ボットの検出に機械学習を利用する新しいアプローチを紹介します。
まず、既存の科学文献を体系化し、事例証拠を収集して、7 つのカテゴリと 24 のサブカテゴリで構成される金融ボットの分類を確立します。
次に、133 個の人間アドレスと 137 個のボット アドレスで構成されるグラウンド トゥルース データセットを作成します。
第三に、教師なし機械学習アルゴリズムと教師あり機械学習アルゴリズムの両方を採用して、イーサリアム上にデプロイされたボットを検出します。
最もパフォーマンスの高いクラスタリング アルゴリズムは、平均クラスター純度 82.6% のガウス混合モデルで、バイナリ分類の最もパフォーマンスの高いモデルは、精度 83% のランダム フォレストです。
当社の機械学習ベースの検出メカニズムは、現在のボット状況に対する追加の洞察を提供することで、イーサリアムのエコシステムのダイナミクスの理解に貢献します。

要約(オリジナル)

The integration of bots in Distributed Ledger Technologies (DLTs) fosters efficiency and automation. However, their use is also associated with predatory trading and market manipulation, and can pose threats to system integrity. It is therefore essential to understand the extent of bot deployment in DLTs; despite this, current detection systems are predominantly rule-based and lack flexibility. In this study, we present a novel approach that utilizes machine learning for the detection of financial bots on the Ethereum platform. First, we systematize existing scientific literature and collect anecdotal evidence to establish a taxonomy for financial bots, comprising 7 categories and 24 subcategories. Next, we create a ground-truth dataset consisting of 133 human and 137 bot addresses. Third, we employ both unsupervised and supervised machine learning algorithms to detect bots deployed on Ethereum. The highest-performing clustering algorithm is a Gaussian Mixture Model with an average cluster purity of 82.6%, while the highest-performing model for binary classification is a Random Forest with an accuracy of 83%. Our machine learning-based detection mechanism contributes to understanding the Ethereum ecosystem dynamics by providing additional insights into the current bot landscape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google