本发明专利技术公开了一种图注意力网络训练方法、以太坊异常交易行为识别方法、计算机装置和存储介质，训练方法包括获取第一交易网络拓扑图、特征信息、特征矩阵和标签信息，以及使用第一交易网络拓扑图训练图注意力网络等步骤。本发明专利技术所训练的图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力，能够以较高的识别率识别出标签信息对应的行为类型，具有识别出以太坊异常交易行为的能力；由于图神经网络是对每个节点与其相邻节点进行特征信息加权求和，这种方式只与相邻节点相关，无需使用第一交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果，能够节约计算机资源。本发明专利技术广泛应用于数字货币技术领域。域。域。
【技术实现步骤摘要】
网络训练方法、异常交易行为识别方法、装置和介质
[0001]本专利技术涉及数字货币
，尤其是一种图注意力网络训练方法、以太坊异常交易行为识别方法、计算机装置和存储介质。
技术介绍
[0002]以太坊是被广泛应用的区块链平台，具有强大的灵活性，其代币以太币是世界上市值较大的数字货币，因此以太坊得到了众多用户的关注，这使得以太坊面临着较大的被不法分子利用的风险。不法分子通过数字货币技术从事非法行为，通常产生异常交易，一般来说识别出异常交易能够为发现不法分子提供较强力的线索或证据，因此，数字货币技术的应用过程中存在着如何突破以太坊数字货币技术的匿名性，识别以太坊的异常交易行为的必要。
技术实现思路
[0003]针对上述至少一个技术问题，本专利技术的目的在于提供一种图注意力网络训练方法、以太坊异常交易行为识别方法、计算机装置和存储介质。
[0004]一方面，本专利技术实施例包括一种图注意力网络训练方法，包括：
[0005]获取根据以太坊系统的交易账本构建的第一交易网络拓扑图；所述第一交易网络拓扑图为有向图，所述第一交易网络拓扑图上的边表示以太坊交易，所述第一交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址，所述第一交易网络拓扑图上的边的方向表示以太坊交易的方向；
[0006]获取所述第一交易网络拓扑图上节点的特征信息；
[0007]根据各所述特征信息，获取所述第一交易网络拓扑图的特征矩阵；
[0008]获取所述第一交易网络拓扑图上节点的标签信息；<br/>[0009]使用所述第一交易网络拓扑图训练所述图注意力网络；其中，所述特征矩阵作为所述图注意力网络的输入，所述标签信息作为所述图注意力网络的期望输出。
[0010]进一步地，作为所述图注意力网络的输入的所述特征信息，与作为所述图注意力网络的期望输出的所述标签信息对应所述第一交易网络拓扑图上的相同节点。
[0011]进一步地，所述特征信息包括以下至少一个：
[0012]出度；所述出度为所述节点对应的以太坊地址在一段时间内的付款总次数；
[0013]入度；所述入度为所述节点对应的以太坊地址在一段时间内的收款总次数；
[0014]转出总金额；所述转出总金额为所述节点对应的以太坊地址在一段时间内的付款总额；
[0015]转入总金额；所述转入总金额为所述节点对应的以太坊地址在一段时间内的收款总额；
[0016]绝对余额；所述绝对余额为所述转入总金额与所述转出总金额之差；
[0017]去重出度；所述去重出度为所述节点对应的以太坊地址在一段时间内对不同地址
的付款总次数；
[0018]去重入度；所述去重入度为所述节点对应的以太坊地址在一段时间内对不同地址的收款总次数；
[0019]起始时间；所述起始时间为所述节点对应的以太坊地址首次被发现时的时间戳；
[0020]最终时间；所述最终时间为所述节点对应的以太坊地址最后一次被发现时的时间戳。
[0021]进一步地，所述标签信息是基于同一节点对应的所述特征信息确定的，所述标签信息用于表示所述节点对应的以太坊地址的行为类型。
[0022]进一步地，所述根据各所述特征信息，获取所述第一交易网络拓扑图的特征矩阵，包括：
[0023]将各所述特征信息的向量化表示作为元素，组成所述特征矩阵。
[0024]进一步地，所述使用所述第一交易网络拓扑图训练所述图注意力网络，包括：
[0025]所述图注意力网络根据所述特征矩阵，确定各所述节点与邻居之间的注意力系数；
[0026]所述图注意力网络对各所述注意力系数进行正则化；
[0027]所述图注意力网络根据所述正则化的结果以及所述第一交易网络拓扑图上各节点的权重，确定特征向量；
[0028]所述图注意力网络通过分类器根据所述特征向量输出各所述标签信息对应的概率。
[0029]另一方面，本专利技术实施例还包括一种以太坊异常交易行为识别方法，包括：
[0030]获取根据以太坊系统的交易账本构建的第二交易网络拓扑图；所述第二交易网络拓扑图为有向图，所述第二交易网络拓扑图上的边表示以太坊交易，所述第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址，所述第二交易网络拓扑图上的边的方向表示以太坊交易的方向；
[0031]获取所述第二交易网络拓扑图上节点的特征信息；
[0032]根据各所述特征信息，获取所述第二交易网络拓扑图的特征矩阵；
[0033]将所述特征矩阵输入到图注意力网络；所述图注意力网络经过实施例中所述训练方法的训练；
[0034]根据所述图注意力网络的输出结果，确定所述以太坊地址的行为类型。
[0035]另一方面，本专利技术实施例还包括一种以太坊异常交易行为识别方法，包括：
[0036]获取根据以太坊系统的交易账本构建的第二交易网络拓扑图；所述第二交易网络拓扑图为有向图，所述第二交易网络拓扑图上的边表示以太坊交易，所述第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址，所述第二交易网络拓扑图上的边的方向表示以太坊交易的方向；
[0037]获取所述第二交易网络拓扑图上节点的特征信息；
[0038]根据各所述特征信息，获取所述第二交易网络拓扑图的特征矩阵；
[0039]将所述特征矩阵输入到多个图注意力网络；各所述图注意力网络经过实施例中所述训练方法的训练；
[0040]根据各所述图注意力网络的输出结果的平均值，确定所述以太坊地址的行为类
型。
[0041]另一方面，本专利技术实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例所述方法。
[0042]另一方面，本专利技术实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例所述方法。
[0043]本专利技术的有益效果是：本实施例中的训练方法所训练的图神经网络能够学习到第一交易网络拓扑图中所包含的以太坊交易账本的信息，具体地，图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力，能够以较高的识别率识别出标签信息对应的行为类型，当标签信息对应的行为类型属于异常交易行为，经过训练的图神经网络具有识别出以太坊异常交易行为的能力；由于在对图神经网络的训练过程中，图神经网络是对每个节点与其相邻节点进行特征信息加权求和，这种方式只与相邻节点相关，无需使用第一交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果，能够节约计算机资源。实施例中的异常交易行为识别方法使用经过本实施例中的训练方法训练的图神经网络识别处理以太坊交易账本得到的第二交易网络拓扑图，由于图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力，因此能够以较高的识别率识别出标签信息对应的行为类型，从而识别出异常交易行为，由于图神经网络是本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图注意力网络训练方法，其特征在于，包括：获取根据以太坊系统的交易账本构建的第一交易网络拓扑图；所述第一交易网络拓扑图为有向图，所述第一交易网络拓扑图上的边表示以太坊交易，所述第一交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址，所述第一交易网络拓扑图上的边的方向表示以太坊交易的方向；获取所述第一交易网络拓扑图上节点的特征信息；根据各所述特征信息，获取所述第一交易网络拓扑图的特征矩阵；获取所述第一交易网络拓扑图上节点的标签信息；使用所述第一交易网络拓扑图训练所述图注意力网络；其中，所述特征矩阵作为所述图注意力网络的输入，所述标签信息作为所述图注意力网络的期望输出。2.根据权利要求1所述的图注意力网络训练方法，其特征在于，作为所述图注意力网络的输入的所述特征信息，与作为所述图注意力网络的期望输出的所述标签信息对应所述第一交易网络拓扑图上的相同节点。3.根据权利要求1所述的图注意力网络训练方法，其特征在于，所述特征信息包括以下至少一个：出度；所述出度为所述节点对应的以太坊地址在一段时间内的付款总次数；入度；所述入度为所述节点对应的以太坊地址在一段时间内的收款总次数；转出总金额；所述转出总金额为所述节点对应的以太坊地址在一段时间内的付款总额；转入总金额；所述转入总金额为所述节点对应的以太坊地址在一段时间内的收款总额；绝对余额；所述绝对余额为所述转入总金额与所述转出总金额之差；去重出度；所述去重出度为所述节点对应的以太坊地址在一段时间内对不同地址的付款总次数；去重入度；所述去重入度为所述节点对应的以太坊地址在一段时间内对不同地址的收款总次数；起始时间；所述起始时间为所述节点对应的以太坊地址首次被发现时的时间戳；最终时间；所述最终时间为所述节点对应的以太坊地址最后一次被发现时的时间戳。4.根据权利要求1所述的图注意力网络训练方法，其特征在于，所述标签信息是基于同一节点对应的所述特征信息确定的，所述标签信息用于表示所述节点对应的以太坊地址的行为类型。5.根据权利要求1所述的图注意力网络训练方法，其特征在于，所述根据各所述特征信息，获取所述第一交易网络拓扑图的特征矩阵，包括：将各所述特征信息的向量化表示作为元素，组成所述特征矩阵。6.根据权利要求1所述的图注意力网络训练方...
【专利技术属性】
技术研发人员：谭庆丰，谭润楠，陈小龙，
申请(专利权)人：东莞智盾信息安全科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。