基于无监督式机器学习的区块链异常交易识别方法和系统技术方案

本发明专利技术公开了一种基于无监督式机器学习的区块链异常交易识别方法，首先搭建了区域链全节点，然后分别或历史交易数据和当前最新交易数据，并将历史交易数据入库，从当前最新交易数据中提取出存在异常交易行为的目标地址；随后建设目标地址的特征工程、动态识别单一特征的风险等级；接下来训练出无监督式异常识别模型；最后基于业务规则和由无监督式异常识别模型得到的风险分数进行风向等级划分，从而达到建立有效、快速、准确的异常行为检测机制，实现对区块链异常交易进行实时识别和跟踪。现对区块链异常交易进行实时识别和跟踪。现对区块链异常交易进行实时识别和跟踪。

【技术实现步骤摘要】
基于无监督式机器学习的区块链异常交易识别方法和系统


[0001]本专利技术涉及区块链应用
，具体而言，涉及一种基于无监督式机器学习的区块链异常交易识别方法和系统。

技术介绍

[0002]区块链是一种集成分布式数据存储、点对点传输、共识机制、加密算法等多种技术的新型技术。当前以区块链产品为代表的全球金融科技迅猛发展，对实体经济和金融体系产生深远影响，同时暴露了异常交易、欺诈行为、虚假信息诱导和恶意操纵价格等风险，如何平衡好金融科技的创新和风险，成为监督管理部门不可忽视的问题。因此，研究对异常交易进行跟踪识别的技术迫在眉睫，进而达到将异常交易进行实时识别和跟踪，建立有效、快速、准确的异常行为检测机制。
[0003]现有技术大部分采用监督式机器学习技术对异常地址与正常地址进行分类，首先通过第三方开源渠道获取到异常地址的标签数据，同时对区块链的所有地址数据进行抽样构造训练数据；然后对训练数据中的所有目标地址进行特征构造，最后输入监督室学习机器学习模型中进行建模并预测。由于区块链地址发生异常的方式多种多样，同时区块链地址行为方式随着时间推移，交易行为也处于动态变化中，通过监督式机器学习技术无法对交易行为处于动态变化的地址进行交易异常的识别，其效果严重依赖于异常地址样本的有限数据量，此外，监督式模型具有滞后性且训练时间消耗大的问题。小部分研究者采用基于规则的方法对地址的异常交易进行识别，但是随着区块链技术快速发展，其技术也在处于不停的迭代状态中，地址的交易行为也会随着技术的迭代而改变，因此通过基于规则的方法无法充分使用在技术处于不停迭代过程中地址异常交易识别的场景。
[0004]有鉴于此，特提出本申请。

技术实现思路

[0005]本专利技术所要解决的技术问题是：基于监督式机器学习的区块链异常交易识别方法不能有效识别出处于迭代更新状态下的区块链异常交易。目的在于提供一种基于无监督式机器学习的区块链异常交易识别方法和系统，通过建立有效、快速、准确的区块链异常交易检测机制，实现对区块链异常交易进行实时识别和跟踪。
[0006]本专利技术通过下述技术方案实现：
[0007]一方面，
[0008]本专利技术提供一种基于无监督式机器学习的区块链异常交易识别方法，包括以下步骤：
[0009]获取最新区块内的多个当前交易数据，从所述多个当前交易数据中解析出所有具有第一交易行为的当前交易地址，得到目标交易地址列表；
[0010]根据目标交易地址列表，从交易数据库中抽取对应的历史交易数据，建立目标交易地址的历史交易列表；
[0011]针对所述历史交易列表中的每一个目标交易，从所述交易数据库中获取预设时间范围内的对应的多个交易的特征数据，得到特征数据列表；
[0012]获取每一个特征数据的风险等级；
[0013]利用具有风险等级的特征数据训练无监督异常识别模型；
[0014]利用训练好的无监督异常识别模型对每一个当前交易地址进行异常交易识别。
[0015]进一步的，
[0016]建立目标交易地址列表包括以下步骤：
[0017]从所述交易数据库中提取出当前最新区块的全部交易数据；
[0018]从提取出的当前最新区块的全部交易数据中筛选出所有的交易支出金额超过预设额度阈值的目标交易地址，建立目标交易地址列表。
[0019]进一步的，
[0020]预设时间范围为1个月或3个月。
[0021]进一步的，
[0022]特征数据包括：交易金额、交易币种及数量、加密货币转出次数和手续费。
[0023]进一步的，
[0024]异常交易识别包括以下步骤：
[0025]利用训练好的无监督异常识别模型对每一个当前交易地址进行风险识别，得到对应的风险分数；
[0026]制定异常交易行为分类表和风险分数阈值，根据所述异常交易行为分类表、所述风险分数阈值以及当前交易地址对应的交易行为和风险分数，对每一个当前交易地址进行异常交易识别和预警。
[0027]进一步的，
[0028]获取多个当前交易数据之前，包括以下步骤：
[0029]搭建区块链全节点；
[0030]解析出所述区块链全节点上的所有历史交易数据，所述历史交易数据包括：交易Hash、交易时间、区块号、转出地址、接收地址、交易金额、交易币种和手续费；
[0031]利用解析出的所有历史交易数据建立交易数据库。
[0032]另一方面，
[0033]本专利技术提供一种基于无监督式机器学习的区块链异常交易识别系统，包括：
[0034]数据存储模块，用于存储获取的所有历史交易数据和最新区块内的多个当前交易数据；
[0035]交易数据解析模块，用于从所述最新区块内的多个当前交易数据中解析出所有具有第一交易行为的当前交易地址，得到目标交易地址列表；
[0036]历史交易列表构建模块，根据目标交易地址列表，从交易数据库中抽取对应的历史交易数据，建立目标交易地址的历史交易列表；
[0037]特征数据列表构建模块，用于针对所述历史交易列表中的每一个目标交易，从所述交易数据库中获取对应的预设时间范围内的多个交易的特征数据，得到特征数据列表；
[0038]风险等级获取模块，用于获取每一个特征数据的风险等级；
[0039]模型训练模块，用于利用风险等级的特征数据训练无监督异常识别模型；
[0040]异常交易识别和预警模块，用于根据训练好的无监督异常识别模型对每一个当前交易地址进行异常交易识别和预警。
[0041]进一步的，
[0042]交易数据解析模块包括：
[0043]第一交易数据提取单元，用于从所述交易数据库中提取出当前最新区块的全部交易数据；
[0044]支出额度阈值设置单元，用于预设支出额度阈值；
[0045]交易数据筛选单元，用于从提取出的当前最新区块的全部交易数据中筛选出所有的交易支出金额超过预设额度阈值的目标交易地址，建立目标交易地址列表。
[0046]进一步的，
[0047]异常交易识别和预警模块包括：
[0048]风险识别单元，用于根据训练好的无监督异常识别模型对每一个当前交易地址进行风险识别，得到对应的风险分数；
[0049]风险判定标准设置单元，用于制定异常交易行为分类表和风险分数阈值；
[0050]异常交易识别及预警单元，用于根据所述异常交易行为分类表、所述风险分数阈值以及当前交易地址对应的交易行为和风险分数，对每一个当前交易地址进行异常交易识别和预警。
[0051]进一步的，
[0052]该系统还包括交易数据库构建模块，所述交易数据库构建模块包括：
[0053]全节点搭建单元，用于搭建区块链全节点；
[0054]历史交易数据接线单元，用于解析出所述区块链全节点上的所有历史交易数据，所述历史交易数据包括：交易Hash、交易时间、区块号、转出地址、接收地址、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督式机器学习的区块链异常交易识别方法，其特征在于，包括以下步骤：获取最新区块内的多个当前交易数据，从所述多个当前交易数据中解析出所有具有第一交易行为的当前交易地址，得到目标交易地址列表；根据目标交易地址列表，从交易数据库中抽取对应的历史交易数据，建立目标交易地址的历史交易列表；针对所述历史交易列表中的每一个目标交易，从所述交易数据库中获取预设时间范围内的对应的多个交易的特征数据，得到特征数据列表；获取每一个特征数据的风险等级；利用具有风险等级的特征数据训练无监督异常识别模型；利用训练好的无监督异常识别模型对每一个当前交易地址进行异常交易识别。2.根据权利要求1所述的一种基于无监督式机器学习的区块链异常交易识别方法，其特征在于，所述目标交易地址列表的建立方法包括以下步骤：从所述交易数据库中提取出当前最新区块的全部交易数据；从提取出的当前最新区块的全部交易数据中筛选出所有的交易支出金额超过预设额度阈值的目标交易地址，建立目标交易地址列表。3.根据权利要求2所述的一种基于无监督式机器学习的区块链异常交易识别方法，其特征在于，所述预设时间范围为1个月或3个月。4.根据权利要求1所述的一种基于无监督式机器学习的区块链异常交易识别方法，其特征在于，所述特征数据包括：交易金额、交易币种及数量、加密货币转出次数和手续费。5.根据权利要求1所述的一种基于无监督式机器学习的区块链异常交易识别方法，其特征在于，所述异常交易识别包括以下步骤：利用训练好的无监督异常识别模型对每一个当前交易地址进行风险识别，得到对应的风险分数；制定异常交易行为分类表和风险分数阈值，根据所述异常交易行为分类表、所述风险分数阈值以及当前交易地址对应的交易行为和风险分数，对每一个当前交易地址进行异常交易识别和预警。6.根据权利要求1所述的一种基于无监督式机器学习的区块链异常交易识别方法，其特征在于，所述获取多个当前交易数据之前，包括以下步骤：搭建区块链全节点；解析出所述区块链全节点上的所有历史交易数据，所述历史交易数据包括：交易Hash、交易时间、区块号、转出地址、接收地址、交易金额、交易币种和手续费；利用解析出的所有历史交易数据建立交易数据库。7.一种基于无监督式机器学习的区块链异常交易识别系统，其特征在于，包括：数据存储模块...

【专利技术属性】
技术研发人员：冯志淇，
申请(专利权)人：成都链安科技有限公司，
类型：发明
国别省市：