一种面向区块链交易行为的异常检测方法技术

本发明专利技术提出一种面向区块链交易行为的异常检测方法，获取区块链中以太坊交易记录数据，包括交易双方地址、交易金额、交易时间，将交易地址进行正常地址和异常地址的区分，并将获取的数据划分为训练集和测试集；将获取的交易记录构造成交易网络图，并把交易网络图转化成邻接矩阵；使用基于时间加权多通道游走的交易网络嵌入模型，将邻接矩阵作为输入，从中提取出特征序列向量；将得到的特征序列向量作为输入，对应的对交易地址的区分结果作为输出，对CNN分类器进行训练以得到检测模型；利用得到的检测模型对区块链交易中的异常交易进行检测。检测。检测。

【技术实现步骤摘要】
一种面向区块链交易行为的异常检测方法


[0001]本专利技术属于网络安全
，尤其是涉及一种面向区块链交易行为的异常检测方法。

技术介绍

[0002]网络嵌入是一种学习范式，它将节点、链接或整个(子)图嵌入到低维网络中。与传统的特征工程方法相比，网络嵌入是从大规模网络数据中提取特征的一种更高效、更自动化的方法，机器学习方法的性能在很大程度上取决于数据表示(或特征)的选择。目前区块链技术由于其去中心化、开放性、独立性、安全性、匿名性等特征，广泛应用于金融、物联网、公共服务、数字版权等领域。以区块链技术为基础的交易行为成为研究的热点，特别是对交易中异常行为的检查至关重要，是交易安全进行的保证。
[0003]目前检测结构方法多是针对于一种异常攻击检测，比如仅针对于双花攻击检测、钓鱼者检测等。在现有技术中，针对一般性网络交易的检测，如基于SVM 和相似性指数的轻量级URL钓鱼检测系统，仅能检测基于网站的钓鱼，检测准确率低，无法直接用于区块链的钓鱼检测问题。

技术实现思路

[0004]针对上述问题，本专利技术提出一种面向区块链本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向区块链交易行为的异常检测方法，包括：步骤1、建立整体交易网络：获取区块链中以太坊交易记录数据，交易记录包括交易双方地址、交易金额、交易时间，将交易地址进行正常地址和异常地址的区分，并将获取的数据划分为训练集和测试集；将获取的交易记录构造成交易网络图，并把交易网络图转化成邻接矩阵；步骤2、特征提取：使用基于时间加权多通道游走的交易网络嵌入模型，将邻接矩阵作为输入，从中提取出特征序列向量；步骤3、检测模型训练：将步骤2得到的特征序列向量作为输入，步骤1中对应的对交易地址的区分结果作为输出，对CNN分类器进行训练以得到检测模型；步骤4、异常交易检测：利用步骤3得到的检测模型对区块链交易中的异常交易进行检测，检测模型输入为步骤2得到的特征序列向量，输出为异常交易。2.根据权利要求1所述的一种面向区块链交易行为的异常检测方法，其特征在于：所述步骤1中的交易网络图记作G＝(V,E,A,T),其中V代表交易双方的地址，E代表交易双方形成的有向边，A代表双方的交易金额，T代表交易时间；所述交易网络图某两个节点的多次交易并不会被合并到一次交易，有向边的序号是依据交易时间T顺序确定的，时间越早，其顺序越靠前。3.根据权利要求1所述的一种面向区块链交易行为的异常检测方法，其特征在于：所述邻接矩阵包括代表交易地址之间是否存在交易的交易邻接矩阵，存在交易的交易双方的交易金额邻接矩阵，存在交易的交易双方的时间邻接矩阵；交易地址之间如果存在交易，则交易邻接矩阵表示为1，不存在交易表示为0；若交易双方存在交易，则交易金额邻接矩阵的值为对应的交易金额，时间邻接矩阵的值对应交易的时间戳的值。4.根据权利要求1所述的一种面向区块链交易行为的异常检测方法，其特征在于：所述基于时间加权多通道游走的交易网络嵌入模型包括随机游走生成器和网络嵌入的特征学习过程；随机游走生成器通过执行截断随机游动，将大规模网络转换为从中采样的一组节点序列，用于捕获节点之间的结构关系；特征学习过程中，使用Skip
‑
gram算法对节点序列嵌入向量表示。5.根据权利要求4所述的一种面向区块链交易行为的异常检测方法，其特征在于：所述基于时间加权多通道游走的交易网络嵌入模型中，估计在迄今为止给定的随机游走中访问过的所有顶点的情况下，观察到顶点v
i
的可能性为：Pr(v
i
...

【专利技术属性】
技术研发人员：李建彬，李何筱，李敬豪，成娜，徐亚，张务卿，张恒洋，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：