基于图神经网络的以太坊网络异常检测方法、系统和存储介质技术方案

本发明专利技术提供一种基于图神经网络的以太坊网络异常检测方法、系统和存储介质，该方法包括以下步骤：基于收集的以太坊交易数据构建训练用的有向交易图；基于随机游走算法对构建的交易图中的节点进行有偏采样，获得第一节点序列；基于随机游走进行多尺度特征提取来生成多尺度序列组；将生成的多尺度序列组输入Skip

【技术实现步骤摘要】
基于图神经网络的以太坊网络异常检测方法、系统和存储介质


[0001]本专利技术涉及网络安全
，尤其涉及一种以太坊网络安全
，特别地涉及基于图神经网络的以太坊网络异常检测方法、系统和存储介质。

技术介绍

[0002]区块链技术自2008年提出以来，引起了各行各业的关注和研究，已从最初的计算机行业发展到金融领域，再向其他行业扩散，成为了当今社会一项变革性的技术。由于区块链具有去中心化、不可篡改、匿名等特性，因此基于区块链技术的加密货币适用于诸多的金融场景。通过加密货币，用户只需要一个地址就可以在全球范围内匿名便捷地进行可靠的交易，不用担心交易被篡改。因此，随着区块链的发展，加密货币也呈现一片繁荣。
[0003]以太坊是一个具有智能合约功能的开源和公共区块链平台，它通过Ether(以太币，一种专用加密货币)提供分散的虚拟机来处理点对点交易，是仅次于比特币的第二大加密货币平台。然而，因为其去中心化和匿名的特性，以太坊平台上常见的网络犯罪可分为四类：漏洞攻击，黑客攻击，网络钓鱼和庞氏骗局。
[0004]传统的网络钓鱼通过邮件和伪造的网站来欺骗用户输入隐私信息，因此对于传统的网络钓鱼，研究人员通过通过对邮件和网页的信息进行文本检测来识别网络钓鱼。由于以太坊上的交易信息都是公开透明的，这为以太坊上的钓鱼检测提供了新的思路：可以通过挖掘地址之间的交易行为来识别钓鱼地址，也即进行URL检测。但现有的文本检测和URL检测方案由于精确度不够高，已不适用于以太坊上的钓鱼检测。因此，为了营造良好的区块链生态投资环境，亟需一种有效的以太坊钓鱼诈骗检测等以太坊网络异常检测方案。

技术实现思路

[0005]鉴于此，本专利技术实施例提供了一种基于图神经网络的以太坊网络异常检测方法和系统，以构建以太坊有向交易图，结合以太坊的特征进行双序列多尺度特征采样，从多个尺度来捕获交易的特征信息，从而更好的捕获交易信息中隐含的高阶关系，提高以太坊网络异常检测的准确性。
[0006]本专利技术的一个方面提供了一种基于图神经网络的以太坊网络异常检测方法，该方法包括以下步骤：
[0007]检测模型训练步骤和基于预训练检测模型的网络异常检测步骤，所述检测模型训练步骤包括：
[0008]基于获取的以太坊交易数据构建训练用的有向交易图，其中，构建的有向交易图中的节点包括带标签的正常节点样本和异常节点样本，每个节点代表以太坊上的一个地址，所述有向交易图的节点间的每条边表示一条交易记录，所述交易记录包括交易发起者、交易接收者、交易金额和交易时间戳；
[0009]选择构建的交易图中的节点，基于选择的当前节点与交易图中的其他节点的交易
金额计算当前节点到邻居节点的第一转移概率，并基于当前节点与其他节点的交易时间戳计算当前节点到邻居节点的第二转移概率，基于第一转移概率和第二转移概率确定当前节点到邻居节点的综合转移概率，并基于随机游走算法利用确定的综合转移概率对构建的交易图中的节点进行有偏采样，获得第一节点序列；
[0010]从获得的第一节点序列中移除合约节点来生成用户节点序列，通过对第一节点序列和用户节点序列中每个序列的每个顶点上基于随机游走进行多尺度特征提取来生成多尺度序列组；
[0011]将生成的多尺度序列组输入预定的网络嵌入模型将节点映射到向量空间，得到各个节点在向量空间的嵌入表示；以及
[0012]基于各个节点在向量空间的嵌入表示利用分类算法对正常节点地址和异常节点地址进行分类，实现对检测模型的训练；
[0013]所述基于预训练检测模型的网络异常检测步骤利用预训练的检测模型对实际以太坊交易网络进行检测，获得检测结果。
[0014]在本专利技术一些实施例中，所述异常节点样本为网络钓鱼节点样本。
[0015]在本专利技术一些实施例中，所述方法还包括：收集以太坊交易数据的步骤，根据以太坊提供的API进行两层的广度遍历算法获得以太坊交易网络，获得的以太坊交易网络中包括正常节点样本和异常节点样本。
[0016]在本专利技术一些实施例中，所述分类算法为one
‑
class SVM算法；进行所述多尺度特征提取的模型为Walklets模型。
[0017]在本专利技术一些实施例中，所述有向交易图表示为G
X
＝(V,E,X)，其中，V表示节点集，E是边集，X表示所有边的交易信息，所述交易信息包括交易发起者、交易接受者、交易金额和交易时间戳。
[0018]所述综合转移概率满足以下公式：
[0019]P
(u,x)
＝εP
A(u,x)
+(1
‑
ε)P
T(u,x)
；
[0020]其中，P
A(u,x)
为节点u到邻居节点x的第一转移概率，P
T(u,x)
为节点u到邻居节点x 的第二转移概率，ε为第一转移概率的权重，1
‑
ε为第二转移概率的权重。
[0021]在本专利技术一些实施例中，所述预定的网络嵌入模型为Skip
‑
gram模型。
[0022]本专利技术的另一方面提供了一种基于图神经网络的以太坊网络异常检测系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法的步骤。
[0023]本专利技术的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述方法的步骤。
[0024]本专利技术的基于图神经网络的以太坊网络异常检测方法、系统和存储介质，能够在随机游走过程中捕获节点之间的关系，可以从多个尺度来捕获以太坊交易过程中的特征信息，因此相比较于传统的文本检测和URL检测方法，更具有针对性、通用性、准确性和有效性，从而可以更好地捕获区块链上的异常交易，规避潜在的金融风险。
[0025]本专利技术的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本专利技术的实践而获
知。本专利技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
[0026]本领域技术人员将会理解的是，能够用本专利技术实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本专利技术能够实现的上述和其他目的。
附图说明
[0027]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：
[0028]图1为本专利技术一实施列中以太坊网络异常检测的流程示意图。
[0029]图2为本专利技术一实施例中以太坊钓鱼诈骗异常检测框架图。
[0030]图3为本专利技术一实施例中以太坊交易网络示意图。
[0031]图4为本专利技术一实施例中以太坊交易节点嵌入表示图。
[0032]图5为本专利技术一实施例中面向以太坊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的以太坊网络异常检测方法，其特征在于，该方法包括检测模型训练步骤和基于预训练检测模型的网络异常检测步骤；所述检测模型训练步骤包括：基于获取的以太坊交易数据构建训练用的有向交易图，其中，构建的有向交易图中的节点包括带标签的正常节点样本和异常节点样本，每个节点代表以太坊上的一个地址，所述有向交易图的节点间的每条边表示一条交易记录，所述交易记录包括交易发起者、交易接收者、交易金额和交易时间戳；选择构建的交易图中的节点，基于选择的当前节点与交易图中的其他节点的交易金额计算当前节点到邻居节点的第一转移概率，并基于当前节点与其他节点的交易时间戳计算当前节点到邻居节点的第二转移概率，基于第一转移概率和第二转移概率确定当前节点到邻居节点的综合转移概率，并基于随机游走算法利用确定的综合转移概率对构建的交易图中的节点进行有偏采样，获得第一节点序列；从获得的第一节点序列中移除合约节点来生成用户节点序列，通过对第一节点序列和用户节点序列中每个序列的每个顶点上基于随机游走进行多尺度特征提取来生成多尺度序列组；将生成的多尺度序列组输入预定的网络嵌入模型将节点映射到向量空间，得到各个节点在向量空间的嵌入表示；以及基于各个节点在向量空间的嵌入表示利用分类算法对正常节点地址和异常节点地址进行分类，实现对检测模型的训练；所述基于预训练检测模型的网络异常检测步骤利用预训练的检测模型对实际以太坊交易网络进行检测，获得检测结果。2.根据权利要求1所述的方法，其特征在于，所述异常节点样本为网络钓鱼节点样本。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：收集以太坊交易数据的步骤，根据以太坊提供的API进行两层的广度遍历算法获得以太坊交易网络，获得的以太坊交易网络中包括正常节点样本和异常节点样本。4.根据权利要求1所述的方法，其特征在于，所述分类算法为one
‑
class SVM算法；进行所述多尺度特征提取的模型为Walklets模型。5.根据权利要求1所述的方法，其特征在于，所述有向交易图表示为G
X
＝(V,E,X)，其中，V表示节点集，E是边集，X表示所有边的交易信息，所述交易信息包括交易发起者、交易接受者、交易金额和交易时间戳。6.根据权利要求1所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：熊翱，童渊征，吴启晖，黄静，郭少勇，王威，韩红桂，公备，
申请(专利权)人：南京航空航天大学北京工业大学，
类型：发明
国别省市：