Page 461 - 《软件学报》2026年第3期

1424 软件学报 2026 年第 37 卷第 3 期

文模型检测性能的显著优势. 此外, 4 种检测模型的混淆矩阵如图 9 所示, TextCNN_DSPGD 展现出最佳的性能表
现, 正确识别了 54 个庞氏骗局和 607 个非庞氏骗局, 仅有 10 个 FP 和 1 个 FN. 相比之下, 其他方法的 FN 和 FP
都较高.

600
500 500
0 603 5 0 589 19
400 400
True 300 True 300

200 200
47 17 17 47
1 100 1 100

0 1 0 1
Predict Predict
(a) LSTM (b) SADPonzi
600 600
500 500
0 606 2 0 607 1
400 400
True 300 True 300

200 200
1 20 44 1 10 54
100 100

0 1 0 1
Predict Predict
(c) TextCNN (d) TextCNN_DSPGD
图 9 4 种检测机制的混淆矩阵图

综上, TextCNN_DSPGD 是一种基于对抗训练的庞氏骗局检测方法, 其不仅较全面地提取了操作码的语义和
行为信息, 并且通过对抗训练增强模型的鲁棒性. 同时该方法不依赖交易历史特征, 能在智能合约部署后尽快准确
地检测出庞氏骗局, 更加具有实践意义.

5 总 结

本文提出了一个基于动态步长投影梯度下降算法的 TextCNN 模型 (TextCNN_DSPGD) 用于检测以太坊上的
庞氏骗局智能合约. 首先, 我们从 XBlock 上获取智能合约字节码文件, 将其反汇编成操作码文件. 接着, 我们设计
了基于深度优先的智能合约行为序列提取算法, 对操作码文件进行特性提取, 获得包含丰富语义和行为信息的智
能合约行为序列. 最后, 在 TextCNN 模型中引入 DSPGD 进行对抗训练, 并通过实验与其他算法进行比较, 验证了
本文所提出方法在检测庞氏骗局智能合约方面的有效性. 实验结果显示, TextCNN_DSPGD 在 Recall 和 F1-score
上分别取得了 98.36% 和 98.31% 的性能, AUC 高达 0.985 5, 均超过对比方法. 在未来的工作中, 我们计划收集更
多的庞氏骗局智能合约, 进一步验证 TextCNN_DSPGD 的通用性. 此外, 我们准备将我们的方法扩展到区块链领
域的其他恶意行为检测中, 以确保以太坊生态系统的安全.

References
[1] Buterin V. Ethereum white paper: A next generation smart contract & decentralized application platform. 2025. https://github.com/
ethereum/wiki/wiki/White-Paper