以太坊虽然在区块链创新上表现亮眼，但开放与隐匿的特性也给了不法分子可乘之机。数据摆在眼前：截至去年上半年，ICO欺诈和网络诈骗的累计损失就达2.25亿美元，而2022年全年那些异常交易涉及的金额更是吓人——238亿美元。

这么大的黑洞怎么补？传统的人工标注方法早就顶不住了，数据标注有限、成本高、难以规模化。好在这几年无监督机器学习技术有了突破，给交易风险检测带来了新思路。

**怎么入手呢？先把数据理顺**
异常交易检测的第一步就是把以太坊那海量交易数据结构化。从链上数据源拉取历史交易记录，然后构建一个带权多重交易网络。简单说，图里的节点就是各个账户，边代表交易流向，权重由交易金额和时间戳决定。这样设计的好处是既能看出账户间的关联，也能看出交易的时空特征。比如高频大额交易聚集可能是庞氏骗局，分散小额交易可能涉及粉尘攻击。

**再用对偶图转换挖深层特征**
原始交易网络中交易关系往往隐晦不清，所以研究者想出了对偶图转换这招：把每笔交易本身当成一个独立节点，在共享账户的交易之间建立连接。这么一转换，交易间的间接关联就显式化了，能挖出很多以前看不见的关系链条。