基于少样本学习的区块链地址身份推断方法研究

来源：计算机工程与应用杂志2025年第12期北京时间：

作者：陈彦宇, 黎凯, 付章杰

单位：1.南京信息工程大学 数字取证教育部工程研究中心，南京 210044；2.西安电子科技大学 综合业务网理论及关键技术国家重点实验室，西安 710071

摘要：由于区块链的匿名性，钓鱼诈骗、黑客攻击等安全威胁层出不穷，造成了巨大经济损失。区块链身份推断可有效分析匿名地址的交易行为特征，推断地址的身份类型，以加强区块链监管治理。现有的身份推断模型大多依赖大量标记样本进行训练，但是现实中往往难以获取足量的标签地址，对于少量标签的身份类型的检测能力不足。因此，首次提出在少样本环境下的进行区块链地址身份推断，提出了基于少样本学习的区块链地址身份推断方案。为了实现对交易图的深入特征提取，设计了改进的三元组损失函数，该函数在嵌入空间中有效聚集同类样本，同时分离异类样本，显著提升了特征嵌入表示在不同身份类型间的区分度。创新性地提出了一种基于距离加权的原型网络，能够根据样本与均值中心的距离动态调整注意力权重，有效减少异常值和噪声值的干扰，增强类原型计算的准确性。使用度量学习模块将每个样本与各类原型进行距离度量来得到最终的预测结果。这些改进不仅提升了模型在少样本条件下的性能，还增强了模型对未知身份类型推断的泛化能力。实验结果表明，该模型在真实以太坊的交易数据集上测试取得了优异性能，证明了方法的有效性。

关键词：区块链,以太坊,少样本学习,身份推断