一种用于检测区块链交易异常的方法及相关产品技术

本发明专利技术涉及一种用于检测区块链交易异常的方法及相关产品，所述方法包括：获取区块链交易图；从所述区块链交易图中提取交易网络的结构特征和交易数据特征；将所述交易网络的结构特征和交易数据特征合并，以得到合并特征集；以及利用异常检测模型对所述合并特征集进行检测，以确定区块链中是否存在交易异常行为。根据本发明专利技术的方案，解决了目前对区块链交易异常行为的检测方法效果较差的问题。易异常行为的检测方法效果较差的问题。易异常行为的检测方法效果较差的问题。

【技术实现步骤摘要】
一种用于检测区块链交易异常的方法及相关产品


[0001]本专利技术一般地涉及区块链
更具体地，本专利技术涉及一种用于检测区块链交易异常的方法、用于检测区块链交易异常的设备和计算机可读存储介质。

技术介绍

[0002]区块链是一种分布式加密账本，为非信任成员可以安全地进行交易提供平台，使得去中心化、低成本、点对点的交易成为可能，在金融、医疗、物流、物联网等领域得到了广泛应用。区块链使用分布式存储和集体维护来实现去中心化，使用SHA
‑
256等非对称加密算法和可靠存储技术完成信用背书，保障了系统的开源、公开和安全。然而，由于区块链具有巨大的流通市值、庞大的用户量和账户匿名性等特点，导致区块链上的交易频繁受到盗窃等异常行为的威胁。
[0003]区块链最成功的实践是以比特币为代表的加密数字货币。加密数字货币也越来越多地进入金融市场。加密数字货币具有匿名性的特点，不需要用户进行实名认证，因此越来越多的犯罪分子将加密货币作为犯罪工具，实施网络和金融犯罪。
[0004]区块链交易记录被分布式存储在公开的链上，这为研究和检测区块链的异常交易提供了相当大的优势，然而区块链的巨大容量对进一步探索它提出了挑战，由于区块链系统中庞大的用户和交易数量，对异常的手动检测是不可能的，这也给区块链交易异常行为的检测带来巨大的难度。
[0005]针对区块链异常交易，目前普遍的检测方式是基于特征的分类方法、基于聚类的检测方法、基于统计分析模型的检测方法等。通过对比特币交易中的非法地址、交易金额的偏差、交易速度的异常等行为进行检测，来判别是否发生异常。但是这些区块链交易异常检测方法，主要聚焦于对地址的识别分类、异常金额的判断等问题，其检测效果并不理想。
[0006]鉴于此，如何解决目前对区块链交易异常行为的检测方法效果较差的问题，对于提升区块链网络交易的安全性具有重要意义。

技术实现思路

[0007]为解决上述一个或多个技术问题，本专利技术提出从区块链交易图中提取交易网络的结构特征，并将结构特征加入到数据特征中一同进行交易异常行为检测，从而有效提升了区块链交易异常行为检测的准确性。为此，本专利技术在如下的多个方面中提供方案。
[0008]在第一方面中，本专利技术提供了一种用于检测区块链交易异常的方法，包括：获取区块链交易图；从所述区块链交易图中提取交易网络的结构特征和交易数据特征；将所述交易网络的结构特征和交易数据特征合并，以得到合并特征集；以及利用异常检测模型对所述合并特征集进行检测，以确定区块链中是否存在交易异常行为。
[0009]在一个实施例中，所述区块链交易图中包括交易的节点、边和标记信息，所述边包括交易之间的比特币流转信息，所述标记信息包括交易的属性，其中从所述区块链交易图中提取交易网络的结构特征和交易数据特征包括：根据网络表示方法从所述区块链交易图
中提取交易网络的结构特征；以及从所述区块链交易图中的节点、边和标记信息中提取交易数据特征。
[0010]在一个实施例中，所述根据网络表示方法从所述区块链交易图中提取交易网络的结构特征包括：基于深度游走的网络表示学习算法对所述区块链交易图进行特征提取，以获取交易网络的结构特征；和/或使用二阶属性网络嵌入所述区块链交易图进行特征提取，以获取交易网络的结构特征。
[0011]在一个实施例中，所述基于深度游走的网络表示学习算法对所述区块链交易图进行特征提取以获取交易网络的结构特征包括：将所述区块链交易图转换成网络图；利用设定的游走方式获得所述节点的采样序列；以及根据神经网络模型对所述节点的采样序列进行向量学习，以将获取的节点的表示向量作为交易网络的结构特征。
[0012]在一个实施例中，所述使用二阶属性网络嵌入所述区块链交易图进行特征提取以获取交易网络的结构特征包括：从相邻节点到目标节点的边的信息中提取节点和属性之间的关联信息，以得到结构信息矩阵和属性信息矩阵；以及利用神经网络模型分别对结构信息矩阵和属性信息矩阵进行学习，以获得节点的表示向量。
[0013]在一个实施例中，所述利用设定的游走方式获得所述节点的采样序列包括：利用随机游走的方式获得节点的采样序列；和/或基于交易总金额的有偏随机游走方式访问临近节点，以获得节点的采样序列。
[0014]在一个实施例中，所述基于交易总金额的有偏随机游走方式访问临近节点包括在起始节点之后以设定的概率访问临近节点；所述设定的概率包括：
[0015][0016]其中A(v
i
,v
j
)表示节点v
i
和v
j
之间的交易量，表示连接到节点v
i
的节点集。
[0017]在一个实施例中，所述利用异常检测模型对所述合并特征集进行检测以确定区块链中是否存在交易异常行为包括：将所述合并特征集进行标准化和采样处理，以得到均衡的交易特征数据集；以及利用异常检测模型对所述交易特征数据集进行检测，以确定是否发生交易异常。
[0018]在第二方面中，本专利技术还提供了一种用于检测区块链交易异常的设备，包括：处理器；以及存储器，其存储有用于检测区块链交易异常的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据前文及后文中一个或多个实施例所述的方法。
[0019]在第三方面中，本专利技术还提供了一种计算机可读存储介质，其上存储有用于检测区块链交易异常的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如前文及后文中一个或多个实施例所述的方法。
[0020]根据本专利技术的技术方案，可以通过对区块链交易的网络结构和属性信息进行学习，实现了从交易的邻域结构中挖掘隐含信息，并和数据信息一同进行异常检测，从而能够准确捕捉区块链网络结构特征的变化，有效提升了对交易异常检测的准确性。进一步，本专利技术中还对用于提取结构特征的网络表示方法进行改进，基于交易总结的有偏随机游走策略，实现了对交易量更大的交易节点的准确捕捉，有利于提升异常分析结果的准确性。
附图说明
[0021]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
[0022]图1是示意性示出根据本专利技术的实施例的检测区块链交易异常的场景的示意图；
[0023]图2是示意性示出根据本专利技术的实施例的用于检测区块链交易异常的方法的流程图；
[0024]图3是示意性示出根据本专利技术的实施例的获取交易网络的结构特征的方法的流程图；
[0025]图4是示意性示出根据本专利技术的实施例的使用二阶属性网络提取结构特征的示意图；
[0026]图5是示意性示出根据本专利技术的实施例的利用合并特征集进行异常检测的方法的流程图；
[0027]图6是示意性示出根据本专利技术的实施例的在不同间隔下交易的分布图；
[0028]图7是示意性示出根据本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于检测区块链交易异常的方法，其特征在于，包括：获取区块链交易图；从所述区块链交易图中提取交易网络的结构特征和交易数据特征；将所述交易网络的结构特征和交易数据特征合并，以得到合并特征集；以及利用异常检测模型对所述合并特征集进行检测，以确定区块链中是否存在交易异常行为。2.根据权利要求1所述的方法，其特征在于，所述区块链交易图中包括交易的节点、边和标记信息，所述边包括交易之间的比特币流转信息，所述标记信息包括交易的属性，其中从所述区块链交易图中提取交易网络的结构特征和交易数据特征包括：根据网络表示方法从所述区块链交易图中提取交易网络的结构特征；以及从所述区块链交易图中的节点、边和标记信息中提取交易数据特征。3.根据权利要求2所述的方法，其特征在于，所述根据网络表示方法从所述区块链交易图中提取交易网络的结构特征包括：基于深度游走的网络表示学习算法对所述区块链交易图进行特征提取，以获取交易网络的结构特征；和/或使用二阶属性网络嵌入所述区块链交易图进行特征提取，以获取交易网络的结构特征。4.根据权利要求3所述的方法，其特征在于，所述基于深度游走的网络表示学习算法对所述区块链交易图进行特征提取以获取交易网络的结构特征包括：将所述区块链交易图转换成网络图；利用设定的游走方式获得所述节点的采样序列；以及根据神经网络模型对所述节点的采样序列进行向量学习，以将获取的节点的表示向量作为交易网络的结构特征。5.根据权利要求3所述的方法，其特征在于，所述使用二阶属性网络嵌入所述区块链交易图进行特征提取以获取交易网络的结构特征包括：从相邻节点到目标节点的边的信息中提取节点和属性之间的关联信息，以得到结构信息矩阵和属性信息矩阵；以...

【专利技术属性】
技术研发人员：李光松，王永娟，于刚，薛昊原，张晓琦，陆思奇，葛爱军，袁庆军，高承实，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：