面向区块链节点分析的eclipse攻击动态检测方法

doi:10.11772/j.issn.1001-9081.2024081101

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (8): 2428-2436.DOI: 10.11772/j.issn.1001-9081.2024081101

• 2024年全国开放式分布与并行计算学术年会 (DPCS 2024) • 上一篇

面向区块链节点分析的eclipse攻击动态检测方法

张硕, 孙国凯, 庄园(), 冯小雨, 王敬之

哈尔滨工程大学计算机科学与技术学院，哈尔滨 150001

收稿日期:2024-08-07 修回日期:2024-10-21 接受日期:2024-11-07 发布日期:2024-11-25 出版日期:2025-08-10
通讯作者: 庄园
作者简介:张硕（1999—），男，山东济南人，博士研究生，主要研究方向：区块链安全、深度学习
孙国凯（1999—），男，山东济宁人，博士研究生，主要研究方向：智能合约、知识蒸馏
冯小雨（2004—），女，山东烟台人，主要研究方向：区块链安全
王敬之（2004—），男，山东淄博人，主要研究方向：区块链安全。
基金资助:
国家自然科学基金资助项目(62202121)

Dynamic detection method of eclipse attacks for blockchain node analysis

Shuo ZHANG, Guokai SUN, Yuan ZHUANG(), Xiaoyu FENG, Jingzhi WANG

College of Computer Science and Technology，Harbin Engineering University，Harbin Heilongjiang 150001，China

Received:2024-08-07 Revised:2024-10-21 Accepted:2024-11-07 Online:2024-11-25 Published:2025-08-10
Contact: Yuan ZHUANG
About author:ZHANG Shuo， born in 1999， Ph. D. candidate. His research interests include blockchain security， deep learning.
SUN Guokai， born in 1999， Ph. D. candidate. His research interests include smart contract， knowledge distillation.
FENG Xiaoyu， born in 2004. Her research interests include blockchain security.
WANG Jingzhi， born in 2004. His research interests include blockchain security.
Supported by:
National Natural Science Foundation of China(62202121)

摘要/Abstract

摘要：

eclipse攻击作为针对区块链网络层的一种显著威胁，通过控制节点的网络连接，可导致被攻击节点与整个网络的隔离，进而影响该节点接收区块和交易信息的能力。攻击者还可以在此基础上发起双重支付等攻击，这会对区块链系统造成巨大破坏。针对该问题，结合深度学习模型，提出一种面向区块链节点分析的eclipse攻击动态检测方法。首先，利用节点综合韧性指标（NCRI）表达节点的多维属性特征，并引入图注意力神经网络（GAT）动态更新网络拓扑结构的节点特征；然后，使用卷积神经网络（CNN）融合节点的多维特征；最后，结合多层感知机（MLP）来预测整体网络的脆弱性。实验结果表明，所提方法在不同的eclipse攻击强度下的准确率最高可以达到89.80%，并且能在不断变化的区块链网络中保持稳定的性能。

关键词: 区块链网络层, 深度学习, eclipse攻击检测, 图注意力网络, 多层感知机

Abstract:

Eclipse attacks， as a significant threat to blockchain network layer， can isolate the attacked node from entire network by controlling its network connections， thus affecting its ability to receive block and transaction information. On this basis， attackers can also launch double-spending and other attacks， which causes substantial damage to blockchain system. To address this issue， a dynamic detection method of eclipse attacks for blockchain node analysis was proposed by incorporating deep learning models. Firstly， Node Comprehensive Resilience Index （NCRI） was utilized to represent multidimensional attribute features of the nodes， and Graph ATtention network （GAT） was introduced to update the node features of network topology dynamically. Secondly， Convolutional Neural Network （CNN） was employed to fuse multidimensional features of the nodes. Finally， a Multi-Layer Perceptron （MLP） was used to predict vulnerability of the entire network. Experimental results indicate that an accuracy of up to 89.80% is achieved by the method under varying intensities of eclipse attacks， and that the method maintains stable performance in continuously changing blockchain networks.

Key words: blockchain network layer, deep learning, eclipse attack detection, Graph ATtention network (GAT), Multi-Layer Perceptron (MLP)

中图分类号:

TP399

张硕, 孙国凯, 庄园, 冯小雨, 王敬之. 面向区块链节点分析的eclipse攻击动态检测方法[J]. 计算机应用, 2025, 45(8): 2428-2436.

Shuo ZHANG, Guokai SUN, Yuan ZHUANG, Xiaoyu FENG, Jingzhi WANG. Dynamic detection method of eclipse attacks for blockchain node analysis[J]. Journal of Computer Applications, 2025, 45(8): 2428-2436.

图/表 6

图1 eclipse攻击的示意图

Fig. 1 Schematic diagram of eclipse attack

图2 Eclipse攻击检测模型

Fig. 2 Eclipse attack detection model

表1 节点信任关系特征的说明

Tab. 1 Description of node trust relationship features

特征	重要程度	对值得信任程度的影响
共享区块	低	数量越多越值得信任
交易频率	较高	数量越多越值得信任
共识参与	一般	存在则值得信任程度高
所属关系	高	存在则十分值得信任

图3 不同攻击强度下模型的检测性能

Fig. 3 Performance of model detection under different attack intensities

图4 模型对动态区块链网络检测的准确性

Fig. 4 Model’s accuracy in detecting dynamic blockchain networks

表2 移除不同节点特征后的模型性能

Tab. 2 Model performance after removing different node features

移除特征	准确率	精确率	召回率	F1-score
$A t$	0.752	0.923	0.752	0.829
$p (v)$	0.703	0.903	0.703	0.791
$s h a r e$	0.779	0.932	0.780	0.849
$F r e q u e n c y$	0.756	0.925	0.756	0.832
$C o n s e n s u s$	0.734	0.915	0.735	0.815
$A f f i l i a t i o n$	0.718	0.909	0.718	0.803
KS	0.664	0.886	0.665	0.760
$C l u s t e r i n g$	0.704	0.903	0.705	0.792
$I P f r e q u e n c y$	0.623	0.867	0.623	0.725
$c r e d i b i l i t y$	0.723	0.911	0.723	0.807

表2 移除不同节点特征后的模型性能

Tab. 2 Model performance after removing different node features

移除特征	准确率	精确率	召回率	F1-score
$A t$	0.752	0.923	0.752	0.829
$p (v)$	0.703	0.903	0.703	0.791
$s h a r e$	0.779	0.932	0.780	0.849
$F r e q u e n c y$	0.756	0.925	0.756	0.832
$C o n s e n s u s$	0.734	0.915	0.735	0.815
$A f f i l i a t i o n$	0.718	0.909	0.718	0.803
KS	0.664	0.886	0.665	0.760
$C l u s t e r i n g$	0.704	0.903	0.705	0.792
$I P f r e q u e n c y$	0.623	0.867	0.623	0.725
$c r e d i b i l i t y$	0.723	0.911	0.723	0.807

参考文献 36

[1]	NAKAMOTO S. Bitcoin： a peer-to-peer electronic cash system［EB/OL］. ［2024-06-05］..
[2]	UNDERWOOD S. Blockchain beyond bitcoin［J］. Communications of the ACM， 2016， 59（11）： 15-17.
[3]	YUAN Y， WANG F Y. Blockchain and cryptocurrencies： model， techniques， and applications［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2018， 48（9）： 1421-1428.
[4]	ZHAO J L， FAN S， YAN J. Overview of business innovations and research opportunities in blockchain and introduction to the special issue［J］. Financial Innovation， 2016， 2： No.28.
[5]	HEILMAN E， KENDLER A， ZOHAR A， et al. Eclipse attacks on bitcoin’s peer-to-peer network［C］// Proceedings of the 24th USENIX Security Symposium. Berkeley： USENIX Association， 2015： 129-144.
[6]	ATZEI N， BARTOLETTI M， CIMOLI T. A survey of attacks on Ethereum smart contracts （SoK）［C］// Proceedings of the 2017 International Conference on Principles of Security and Trust， LNCS 10204. Berlin： Springer， 2017： 164-186.
[7]	MUFLEH A. Bitcoin eclipse attack — statistic analysis on selfish mining and double-spending attack/submitted［D/OL］. ［2024-06-05］..
[8]	LIU Y， HEI Y， XU T， et al. An evaluation of uncle block mechanism effect on Ethereum selfish and stubborn mining combined with an eclipse attack［J］. IEEE Access， 2020， 8： 17489-17499.
[9]	FEIST J， GRIECO G， GROCE A. Slither： a static analysis framework for smart contracts［C］// Proceedings of the IEEE/ACM 2nd International Workshop on Emerging Trends in Software Engineering for Blockchain. Piscataway： IEEE， 2019： 8-15.
[10]	ZHENG Z， XIE S， DAI H， et al. An overview of blockchain technology： architecture， consensus， and future trends［C］// Proceedings of the 2017 IEEE International Congress on Big Data. Piscataway： IEEE， 2017： 557-564.
[11]	LeCUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.
[12]	WU Z， PAN S， CHEN F， et al. A comprehensive survey on graph neural networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（1）： 4-24.
[13]	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［EB/OL］. ［2024-06-05］..
[14]	ALANGOT B， REIJSBERGEN D， VENUGOPALAN S， et al. Decentralized and lightweight approach to detect eclipse attacks on proof of work blockchains［J］. IEEE Transactions on Network and Service Management， 2021， 18（2）： 1659-1672.
[15]	URDANETA G， PIERRE G， VAN STEEN M. A survey of DHT security techniques［J］. ACM Computing Surveys， 2011， 43（2）： No.8.
[16]	CASTRO M， DRUSCHEL P， GANESH A， et al. Secure routing for structured peer-to-peer overlay networks［J］. ACM SIGOPS Operating Systems Review， 2002， 36（SI）： 299-314.
[17]	SIT E， MORRIS R. Security considerations for peer-to-peer distributed hash tables［C］// Proceedings of the 2002 International Workshop on Peer-to-Peer Systems， LNCS 2429. Berlin： Springer， 2002： 261-269.
[18]	SINGH A， NGAN T W， DRUSCHEL P， et al. Eclipse attacks on overlay networks： threats and defenses［C］// Proceedings of the 25th IEEE International Conference on Computer Communications. Piscataway： IEEE， 2006： 1-12.
[19]	APOSTOLAKI M， ZOHAR A， VANBEVER L. Hijacking bitcoin： routing attacks on cryptocurrencies［C］// Proceedings of the 2017 IEEE Symposium on Security and Privacy. Piscataway： IEEE， 2017： 375-392.
[20]	BIRYUKOV A， PUSTOGAROV I. Bitcoin over Tor isn’t a good idea［C］// Proceedings of the 2015 IEEE Symposium on Security and Privacy. Piscataway： IEEE， 2015： 122-134.
[21]	WÜST K， GERVAIS A. Ethereum eclipse attacks［EB/OL］. ［2024-06-05］..
[22]	MARCUS Y， HEILMAN E， GOLDBERG S. Low-resource eclipse attacks on Ethereum’s peer-to-peer network［EB/OL］. ［2024-06-05］..
[23]	HENNINGSEN S， TEUNIS D， FLORIAN M， et al. Eclipsing Ethereum peers with false friends［EB/OL］. ［2024-06-05］..
[24]	TRAN M， CHOI I， MOON G J， et al. A stealthier partitioning attack against bitcoin peer-to-peer network［C］// Proceedings of the 2020 IEEE Symposium on Security and Privacy. Piscataway： IEEE， 2020： 894-909.
[25]	卫孜钻，王鑫，于丹，等. 面向POW共识的日蚀攻击动态防御机制［J］. 计算机工程与应用， 2023， 59（8）： 280-287.
	WEI Z Z， WANG X， YU D， et al. Defense mechanism to solve eclipse attack of POW consensus［J］. Computer Engineering and Applications， 2023， 59（8）： 280-287.
[26]	ROTTONDI C， PANZERI A， YAGNE C T， et al. Detection and mitigation of the eclipse attack in chord overlays［J］. International Journal of Computational Science and Engineering， 2016， 13（2）： 111-121.
[27]	FANTACCI R， MACCARI L， ROSI M， et al. Avoiding eclipse attacks on Kad/Kademlia： an identity based approach［C］// Proceedings of the 2009 IEEE International Conference on Communications. Piscataway： IEEE， 2009： 1-5.
[28]	TRAN M， SHENOI A， KANG M S. On the routing-aware peering against network-eclipse attacks in bitcoin［C］// Proceedings of the 30th USENIX Security Symposium. Berkeley： USENIX Association， 2021： 1253-1270.
[29]	CHICARINO V， ALBUQUERQUE C， JESUS E， et al. On the detection of selfish mining and stalker attacks in blockchain networks［J］. Annals of Telecommunications， 2020， 75（3/4）： 143-152.
[30]	ISMAIL H， GERMANUS D， SURI N. Detecting and mitigating P2P eclipse attacks［C］// Proceedings of the IEEE 21st International Conference on Parallel and Distributed Systems. Piscataway： IEEE， 2015： 224-231.
[31]	XU G， GUO B， SU C， et al. Am I eclipsed？ a smart detector of eclipse attacks for Ethereum［J］. Computers and Security， 2020， 88： No.101604.
[32]	吕婧淑，杨培，陈文，等. 基于免疫的区块链eclipse攻击的异常检测［J］. 计算机科学， 2018， 45（2）： 8-14.
	LYU J S， YANG P， CHEN W， et al. Abnormal detection of eclipse attacks on blockchain based on immunity［J］. Computer Science， 2018， 45（2）： 8-14.
[33]	DAI Q， ZHANG B， DONG S. Eclipse attack detection for blockchain network layer based on deep feature extraction［J］. Wireless Communications and Mobile Computing， 2022， 2022： No.1451813.
[34]	DECKER C， WATTENHOFER R. Information propagation in the bitcoin network［C］// Proceedings of the 13th IEEE International Conference on Peer-to-Peer Computing. Piscataway： IEEE， 2013： 1-10.
[35]	CVE-2013- 5700： remote P2P crash via bloom filters［EB/OL］. ［2024-06-05］..
[36]	哈尔滨工程大学. 基于节点评估和动态更新的区块链网络脆弱性检测方法及系统： 202311355453.1［P］. 2024-01-16.
	Harbin Engineering University. Vulnerability detection method and system of blockchain network based on node evaluation and dynamic update： 202311355453.1［P］. 2024-01-16.

面向区块链节点分析的eclipse攻击动态检测方法

Dynamic detection method of eclipse attacks for blockchain node analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 36

相关文章 15

编辑推荐

Metrics

[1]	葛丽娜, 王明禹, 田蕾. 联邦学习的高效性研究综述[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2387-2398.
[2]	索晋贤, 张丽萍, 闫盛, 王东奇, 张雅雯. 可解释的深度知识追踪方法综述[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2043-2055.
[3]	王震洲, 郭方方, 宿景芳, 苏鹤, 王建超. 面向智能巡检的视觉模型鲁棒性优化方法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2361-2368.
[4]	齐巧玲, 王啸啸, 张茜茜, 汪鹏, 董永峰. 基于元学习的标签噪声自适应学习算法[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2113-2122.
[5]	赵小阳, 许新征, 李仲年. 物联网应用中的可解释人工智能研究综述[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2169-2179.
[6]	李岚皓, 严皓钧, 周号益, 孙庆赟, 李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1776-1783.
[7]	花天辰, 马晓宁, 智慧. 基于浅层人工神经网络的可移植执行恶意软件静态检测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1911-1921.
[8]	牛四杰, 刘昱良. 基于知识蒸馏双分支结构的视网膜病变辅助诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1410-1414.
[9]	陈凯, 叶海良, 曹飞龙. 基于局部-全局交互与结构Transformer的点云分类算法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1671-1676.
[10]	王丹, 张文豪, 彭丽娟. 基于深度学习的智能反射面辅助通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1613-1618.
[11]	王文鹏, 秦寅畅, 师文轩. 工业缺陷检测无监督深度学习方法综述[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1658-1670.
[12]	李雪莹, 杨琨, 涂国庆, 刘树波. 基于局部增强的时序数据对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1573-1581.
[13]	周阳, 李辉. 基于语义和细节特征双促进的遥感影像建筑物提取网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1310-1316.
[14]	潘理虎, 彭守信, 张睿, 薛之洋, 毛旭珍. 面向运动前景区域的视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1300-1309.
[15]	王一丁, 王泽浩, 李耀利, 蔡少青, 袁媛. 多尺度2D-Adaboost的中药材粉末显微图像识别算法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1325-1332.