📋 项目背景

区块链上存在大量伪装成正常投资的旁氏骗局（Ponzi）合约，给用户造成严重资金损失。如何从海量智能合约中自动识别旁氏骗局，是区块链安全方向的重要研究课题。

大学期间跟随导师开展科研项目，围绕智能合约旁氏骗局检测任务进行特征建模与分类识别研究。

一句话总结：用机器学习方法给智能合约「验明正身」，把旁氏骗局检测准确率从 67% 提升到 75%。

🎯 项目目标

• 对智能合约进行特征建模，提取能有效区分旁氏骗局的特征
• 构建分类模型，实现旁氏合约的自动识别
• 复现并优化相关论文实验流程，提升检测准确率

🛠 技术选型

技术 / 方案	用途	选择理由
LightGBM	分类模型	高效梯度提升，适合结构化特征
XGBoost	分类模型	鲁棒性强，广泛用于表格数据
Python	实验开发	数据处理与建模生态完善
特征工程	特征建模	从合约行为中构造判别特征

✨ 工作内容

• 🔬 特征建模：围绕智能合约的资金流转、调用模式等维度进行特征处理与构造
• 🤖 模型训练与调优：系统学习并实践 LightGBM、XGBoost 等机器学习方法，完成模型训练、参数调优与结果评估
• 📚 论文复现与优化：参考相关论文复现实验流程，并在此基础上进行优化改进

📊 项目成果

指标	结果
基线准确率	67%
优化后准确率	75% ⬆️
提升	+8 个百分点

🔗 相关链接

大学期间科研项目，跟随导师开展。