Page 460 - 《软件学报》2026年第3期

宁小勇 等: 融合 TextCNN 和对抗训练的以太坊庞氏骗局检测模型 1423

1.0 1.0
0.8 0.8

0.6 0.6
TPR TPR
0.4 0.4
FGM (AUC=0.9763) LSTM (AUC=0.7419)
FreeAT (AUC=0.9713) TextCNN (AUC=0.9016)
0.2 0.2
PGD (AUC=0.9764) SADPonzi (AUC=0.8516)
DSPGD (AUC=0.9855) TextCNN_DSPGD (AUC=0.9855)
0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
FPR FPR
(a) 4种对抗训练算法的ROC曲线 (b) 4种庞氏骗局检测机制的ROC曲线
图 7 ROC 曲线

0.4
FGM
FreeAT
PGD
DSPGD
0.3
Loss 0.2

0.1

0
235 245 255 265 275 285 295 305
Epoch
图 8 4 种对抗训练算法的训练时的损失情况

表 1 TextCNN_DSPGD 与庞氏骗局检测方法的性能对比

模型 Precision Recall F1-score
RF 0.953 8 0.704 7 0.809 5
XGBoost 0.925 7 0.760 2 0.832 7
LightGBM 0.934 2 0.774 0 0.845 3
CNN_RF 0.926 8 0.730 8 0.817 2
TextCNN 0.962 7 0.967 3 0.964 9
LSTM 0.912 9 0.922 6 0.905 0
SADPonzi 0.947 2 0.946 4 0.946 8
TextCNN_DSPGD 0.983 6 0.983 6 0.983 1

从结果上来看, TextCNN_DSPGD 着实表现出优秀的性能. 与常见的机器学习模型中表现最好的 LightGBM
方法相比, TextCNN_DSPGD 在 Recall 和 F1-score 上分别提高了 27.04% 和 16.25%. 与神经网络中表现最好的
TextCNN 相比, 其在 Recall 和 F1-score 上分别提高了 1.69% 和 1.89%. 最后, 与 SADPonzi [18] 相比, TextCNN_
DSPGD 在 Recall 和 F1-score 上分别提高了 3.92% 和 3.84%. 总体而言, 本文所提出的方法更优一些.
为了深入探讨 TextCNN_DSPGD 的检测性能, 图 7(b) 展示了表 1 中表现最好的 4 个模型 TextCNN、LSTM、
SADPonzi 和 TextCNN_DSPGD 的 ROC 曲线. 其中 SADPonzi 的 ROC 曲线 (橙色) 只有一个折点, SADPonzi 方法
的输出是标签, 而不是预测概率, 因此只有一个分类阈值, 不会出现多个折点. 而 TextCNN_DSPGD 的 ROC 曲线
(红色) 更靠近右上角, 当 TPR 达到 1 时 FPR 约为 0.4 左右, TPR 远大于 FPR, 且具有最高的 AUC 值, 足以说明本