시간적 모티프 인지 그래프를 활용한 테스트 시간 적응을 통한 이상 거래 탐지 (블록체인)

Temporal Motif-aware Graph Test-time Adaptation for OOD Blockchain Anomaly Detection

끊임없이 변화하는 거래 패턴은 방대한 수의 주소와 다양한 이상 행동으로 인해 신규 암호화폐 블록체인에서의 이상 탐지를 어렵게 만들고 있습니다. 최근 블록체인에 적용된 고급 그래프 이상 탐지(GAD) 방법은 두 가지 중요한 문제에 직면해 있습니다: extit{악의적인 행위자에 의한 적대적 패턴 진화} 및 extit{블록체인의 다양한 거래 의미로 인해 발생하는 분포 외(OOD) 문제}. 이러한 문제를 해결하기 위해, 우리는 새로운 프레임워크인 **TEMG-TTA** (**TE**mporal **M**otif-aware **G**raph **T**est- extbf{T}ime **A**daptation)를 제안합니다. 먼저, 효율적인 계산 메커니즘을 사용하여 각 활성 주소의 3-노드 시간적 모티프 분포를 포괄적으로 파악하여, 이후 시간적 모티프 인지 그래프 학습을 가능하게 합니다. 둘째, 훈련 및 테스트 그래프 간의 공통 패턴 공유를 촉진하는 간단하면서도 효과적인 테스트 시간 적응 전략을 설계했습니다. 실제 데이터 5개 세트에 대한 광범위한 실험 결과, 제안된 **TEMG-TTA**는 기존 최고 성능의 GAD 방법보다 평균 54.88% 더 우수한 성능을 보였습니다. 해석 가능한 모티프 패턴에 대한 추가 연구에서는 **TEMG-TTA**가 이상 주소의 복잡한 거래 패턴을 명시적으로 특징짓는다는 것을 보여주며, 이는 기술적 설계의 효과성을 검증합니다. 저희 코드는 다음 링크에서 공개될 예정입니다: https://github.com/LuoXishuang0712/TEMG-TTA/.

Ever-evolving transaction patterns have significantly hindered anomaly detection on emerging cryptocurrency blockchains due to the vast number of addresses and diverse anomalous behaviors. Recently, advanced Graph Anomaly Detection (GAD) approaches applied to blockchains have faced two critical challenges: \textit{adversarial pattern evolution by malicious actors} and \textit{the out-of-distribution (OOD) problem caused by varied transaction semantics on blockchains}. To address these challenges, we propose a novel framework termed \textbf{TE}mporal \textbf{M}otif-aware \textbf{G}raph \textbf{T}est-\textbf{T}ime \textbf{A}daptation (\textbf{TEMG-TTA}). First, we comprehensively capture the 3-node temporal motif distribution of each active address using an efficient computational mechanism, enabling downstream temporal motif-aware graph learning. Second, we design a simple yet effective test-time adaptation strategy to facilitate the sharing of common patterns between training and testing graphs. Extensive experiments on 5 real-world datasets demonstrate that our proposed \textbf{TEMG-TTA} outperforms \textit{state-of-the-art} GAD approaches by an average of 54.88\%. A further case study on interpretable motif patterns reveals that \textbf{TEMG-TTA} explicitly characterizes the complex transaction patterns of anomalous addresses, thereby verifying the effectiveness of our technical designs. Our code will be made publicly available https://github.com/LuoXishuang0712/TEMG-TTA/.