Graph and temporal neural models for proactive identification of fraudulent accounts in the Ethereum blockchain

Abstract

Topicality. Fraudulent activities on the Ethereum blockchain pose a substantial risk to decentralized finance and require capable models not only to respond to already detected abuses but also to identify suspicious accounts proactively before losses escalate. The subject of study is the application of graph and temporal neural models to the task of classifying Ethereum accounts as benign or fraudulent, considering the structural relationships between addresses and the temporal dynamics of transactions. The purpose of this article is to develop and experimentally evaluate a neural architecture based on a multilayer perceptron as a baseline component for the subsequent integration of graph and temporal mechanisms, and to analyze its performance on the open Ethereum Fraud Detection dataset, which features a high-class imbalance. The following results were obtained. A baseline deep model for binary account classification was constructed using feature preprocessing, stratified data splitting, class weight balancing, L2 regularization, Dropout, and early stopping, which enabled the achievement of an ROC AUC value of approximately 0.98 under conditions of a pronounced dominance of the safe class. A detailed analysis of the confusion matrix and the precision, recall, and F1 metrics demonstrated an acceptable trade-off between reducing false positives and minimizing the proportion of missed fraudulent accounts, which is critical for real-world financial scenarios. Conclusion. The results indicate that a properly designed baseline neural model on tabular features can ensure high-quality proactive identification of fraudulent Ethereum accounts and serve as a starting point for further integration of graph and temporal architectures aimed at improving interpretability and robustness to the evolution of malicious behavior patterns.Актуальність. Шахрайські активності у блокчейні Ethereum становлять суттєвий ризик для децентралізованих фінансів і потребують моделей, здатних не лише реагувати на вже виявлені зловживання, а й проактивно ідентифікувати підозрілі облікові записи до ескалації збитків. Предметом дослідження є застосування графових і часових нейронних моделей до задачі класифікації акаунтів Ethereum на доброчесні та шахрайські з урахуванням структурних зв’язків між адресами й динаміки транзакцій у часі. Метою статті є розроблення та експериментальна оцінка нейронної архітектури на основі багатошарового персептрона як базового компонента для подальшої інтеграції графових і часових механізмів, а також аналіз її ефективності на відкритому датасеті Ethereum Fraud Detection з високим класовим дисбалансом. Були отримані наступні результати. Побудовано базову глибинну модель для бінарної класифікації облікових записів із використанням попередньої обробки ознак, стратифікованого поділу вибірки, балансування ваг класів, регуляризації L2, Dropout і ранньої зупинки, що дало змогу досягти значення ROC AUC близько 0.98 за умов значної переваги “безпечного” класу. Детальний аналіз матриці неточностей та метрик precision, recall, F1 показав прийнятний компроміс між зменшенням хибнопозитивних спрацювань і мінімізацією частки пропущених шахрайських акаунтів, що є критичним для реальних фінансових сценаріїв. Висновок. Результати свідчать, що коректно спроєктована базова нейронна модель на табличних ознаках здатна забезпечити високу якість проактивної ідентифікації шахрайських облікових записів в Ethereum та слугувати відправною точкою для подальшої інтеграції графових і часових архітектур, орієнтованих на покращення інтерпретованості й стійкості до еволюції шаблонів зловмисної поведінки.