А.А. Ишмухамедов1, И.А. Тарханов2

1 Национальный исследовательский технологический университет (НИТУ) «МИСиС» (Москва, Россия)
2 Федеральное государственное бюджетное учреждение высшего образования «Государственный академический университет гуманитарных наук» (Москва, Россия)
2 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)
1 fesevu@gmail.com, 2 itarhanov@frccsc.ru

Постановка проблемы. Центральным звеном информационных систем, которые построены на распределенном реестре (блокчейн), является смарт-контракт – программа, написанная на специализированном языке программирования и независимо исполняемая в среде блокчейн. В последние десятилетия создано огромное количество смарт-контрактов в публичных блокчейнах. Код многих из них не только содержит уязвимости, но и влияет на надежность и доступность систем на базе блокчейн (Dapps), а также используется в мошеннических схемах. Применяемые злоумышленниками схемы используют не только известные уязвимости, которые определяются статическими методами, но и более сложные распределённые паттерны взаимодействия, которые нужно уметь детектировать автоматизированным способом.

Цель. Предложить новую модель на базе машинного обучения для определения аномального поведения смарт-контрактов, используя не только хорошо изученные метрики статического анализа кода, но и метрики на основе истории транзакций исполнения смарт-контракта. Важной частью исследования является подготовка открытого датасета для проверки прогнозируемости полученных результатов и применения других моделей.

Результаты. Подготовлен датасет смарт-контрактов на языке Solidity, который содержит ряд известных метрик и расширен данными о транзакциях. Предложена мультимодальная модель, объединяющая две наиболее эффективные архитектуры: Long Short-Term Memory (LSTM) для анализа временных зависимостей и Graph Neural Networks (GNN) для обработки графовых структур. Разработана модель, которая осуществляет бинарную классификацию адресов смарт-контрактов, определяя, является ли смарт-контракт мошенническим или легитимным.

Практическая значимость. Проблема повышения доступности систем на базе открытых блокчейнов и выявления мошенничества в них на ранних стадиях является актуальной проблемой сдерживающей внедрения технологии блокчейн в государственном и корпоративном секторе. Разработанная модель машинного обучения и датасет позволят обеспечить задел для создания программных инструментов классификации аномального поведения в смарт-контрактах и повышения их надежности.

Ишмухамедов А.А., Тарханов И.А. Модель машинного обучения для обнаружения аномалий в смарт-контрактах на основе графовых нейронных сетей и LSTM // Системы высокой доступности. 2026. Т. 22. № 2. С. 71−82. DOI: https://doi.org/10.18127/
j20729472-202602-06

1. Глазков А.А. Перспективы использования смарт контрактов в развитии бизнес-экосистем. 2022. URL: https://cyberleninka.ru/
   article/n/perspektivy-ispolzovaniya-smart-kontraktov-v-razvitii-biznes-ekosistem
2. Федотова В.В., Емельянов Б.Г., Типнер Л.М. Понятие блокчейн и возможности его использования // European science. 2018. № 1 (33). С. 40–48. [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/ponyatie-blokcheyn-i-vozmozhnosti-ego-ispol­zovaniya (дата обращения: 18.02.2026).
3. Осмоловская А.С. Смарт-контракты: функции и применение [Электронный ресурс]. URL: https://cyberlenin­ka.ru/article/n/smart-kontrakty-funktsii-i-primenenie/viewer (дата обращения: 08.02.2026).
4. Crypto Hacks 2025: Full List of Scams, Exchange Exploits & DeFi Vulnerabilities [Updated October]. URL: https://www.ccn.com/education/crypto/crypto-hacks-exploits-full-list-scams-vulnerabilities/
5. Белоус В.С., Тарханов И.А. Поиск уязвимостей в смарт-контрактах на основе машинного обучения // Труды Института Системного Анализа Российской Академии Наук. 2024. Т. 74. № 3. DOI 10.14357/20790279240310
6. Kamps J., Kleinberg B. To the moon: defining and detecting cryptocurrency pump-and-dumps // Crime Science. 2018 (дата обращения: 14.06.2024).
7. Chen W., Zheng Z., Cui J., Ngai E., Zheng P., Zhou Y. Detecting ponzi schemes on ethereum: Towards healthier blockchain technology // Proceedings of the 2018 World Wide Web Conference. 2018. С. 1409–1418.
8. Bartoletti M., Pes B., Serusi S. Data mining for detecting bitcoin ponzi schemes // CVBC. 2018. С. 75–84.
9. Monamo P., Marivate V., Twala B. Unsupervised learning for detection of abnormal credit card spending behavior // IEEE Access. 2016. № 4. С. 7106–7114.
10. Kalra S., Goel S., Dhawan M., & Sharma S. Analyzing safety of smart contracts // NDSS. 2018.
11. Security analysis tool for Ethereum smart contracts [Электронный ресурс]. URL: https://github.com/ConsenSys/mythril (дата обращения: 14.06.2024).
12. Wang L., Cheng H., Zheng Z. Temporal Transaction Information-aware Ponzi Scheme Detection for Ethereum Smart Contracts // Engineering Applications of Artificial Intelligence. 2023. С. 107022. DOI: 10.1016/j.engappai.2023.107022.
13. Cruzpero Reniel & Dajang El. LSTM-Based Approach: Enhancing Fraud Detection in Ethereum Transactions. 2024. 10.13140/RG.2.2.33297.20325
14. Tan Runnan & Tan Qingfeng & Zhang Peng & Li Zhao. Graph Neural Network for Ethereum Fraud Detection. 2021. 78–85. 10.1109/ICKG52313.2021.00020.
15. Wang L. et al. PSPL: A Ponzi scheme smart contracts detection approach via compressed sensing oversampling-based peephole LSTM // Future Generation Computer Systems. 2025. Т. 166. С. 107655.
16. Liang R., Chen J., Wu C. Towards Effective Detection of Ponzi schemes on Ethereum with Contract Runtime Behavior Graph [Электронный ресурс] // ACM. 2024. Режим доступа: https://dl.acm.org/doi/10.1145 (дата обращения: 21.12.2024).
17. Vagifa, Ethereum Fraud Detection Dataset [Электронный ресурс]. URL: https://www.kaggle.com/datasets/vagifa/ethereum-frauddetection-dataset (дата обращения: 27.04.2025).
18. Suraj Jain, Ethereum Fraud Datasets [Электронный ресурс]. URL: https://github.com/surajsjain/ethereum-fraud-datasets/tree/main (дата обращения: 27.04.2025).
19. Detecting Fraudulent Accounts on Blockchain: A Supervised Approach [Электронный ресурс]. arXiv, 2019. № 1908.07886. URL: https://arxiv.org/abs/1908.07886 (дата обращения: 27.04.2025).
20. XBlock. Фишинговые адреса Ethereum (датасет №13) [Электронный ресурс]. URL: https://xblock.pro/#/dataset/13 (дата обращения: 27.04.2025).
21. XBlock. Смарт-контракты, участвующие в Ponzi-схемах (датасет №25) [Электронный ресурс]. URL: https://xblock.pro/#/da­taset/25 (дата обращения: 27.04.2025).
22. XBlock. Смарт-контракты, замеченные в rugpull-мошенничестве (датасет №50) [Электронный ресурс]. URL: https://xblock.pro/#/data­set/50 (дата обращения: 27.04.2025).
23. Ishmukhamedov A. Ethereum Fraud Dataset by Activity. 10.34740/KAGGLE/DSV/12889568. URL: https://www.kaggle.com/data­sets/fesevu/ethereum-fraud-dataset-by-activity (дата обращения: 28.02.2026).
24. Liang R. et al. Ponziguard: Detecting ponzi schemes on ethereum with contract runtime behavior graph (crbg) // Proceedings of the 46th IEEE/ACM International Conference on Software Engineering. 2024. С. 1–12.