通过交易语义表示学习检测智能合约中的庞氏骗局

基于摘要分析。该研究面向区块链智能合约中的庞氏骗局检测，针对既有学习方法提取交易语义不足、引入无关代码片段及未充分利用结构化语义的问题，提出以交易语义图表示和关系敏感 GCN 识别潜在庞氏交易模式的方法。 核心机制是利用庞氏骗局“拆东墙补西墙”的典型交易模式组织代码表示。作者定义 slice transaction property graph（sTPG），将智能合约函数内部的多种交易相关语义编码为图，并剔除其他无关片段；随后使用 relation-sensitive GCN，同时考虑图中的节点特征与边特征，学习潜在的庞氏交易模式。其方法重点在于任务相关的语义筛选，以及对结构化关系信息的利用，而非仅提取一般代码特征。 评估涵盖两类数据：来自 Forum 和 Public 数据集的智能合约，以及 Ethereum 区块链上实际部署的智能合约。作者报告，该方法优于所比较的先进学习式方法；摘要未提供具体指标、性能差值、样本规模、类别分布或数据划分，因而尚不能量化其优势，也不能判断不同数据来源之间的泛化表现。实验协议、消融及统计信息尚未验证。 复现需进一步核对 sTPG 的切片规则、节点与边的语义定义、关系敏感 GCN 的具体计算方式，以及标签来源和对照设置。这是一项智能合约代码分析研究，摘要未建立其交易语义结构与 EEG/BCI 问题之间的具体对应关系，因此不据此提出 BCI 迁移结论或复现实验建议。